tensorflow的mnist手写字体识别

训练函数

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
#加载mnis_inference.py中定义的常量和前向传播的函数
import mnist_inference

#配置神经网络参数
BATCH_SIZE=100
LEARNING_RATE_BASE=0.8
LEARNING_RATE_DECAY=0.99
REGULARAZTION_RATE=0.0001
TRAINING_STEPS=60000
MOVING_AVERAGE_DECAY=0.99
#模型保存的文件名和路径名
MODEL_SAVE_PATH="/path/to/model/"
MODEL_NAME="model.ckpt"


def train(mnist):
   #定义输入输出placeholder
   x=tf.placeholder(
      tf.float32,[None,mnist_inference.INPUT_NODE],name='x_input')
   y_=tf.placeholder(
      tf.float32,[None,mnist_inference.OUTPUT_NODE],name='y-input')
   regularizer = tf.contrib.layers.l2_regularizer(REGULARAZTION_RATE)
   #直接使用mnist_inference.py中定义的前向传播过程
   y=mnist_inference.inference(x,regularizer)
   global_step=tf.Variable(0,trainable=False)
   #定义损失函数、学习率、滑动平均操作、训练过程
   variable_averages=tf.train.ExponentialMovingAverage(
      MOVING_AVERAGE_DECAY,global_step)
   variables_averages_op=variable_averages.apply(
      tf.trainable_variables())
   cross_entropy=tf.nn.sparse_softmax_cross_entropy_with_logits(
      logits=y,labels=tf.argmax(y_,1))
   cross_entropy_mean=tf.reduce_mean(cross_entropy)
   loss=cross_entropy_mean+tf.add_n(tf.get_collection('losses'))
   learning_rate=tf.train.exponential_decay(
      LEARNING_RATE_BASE,global_step,mnist.train.num_examples/BATCH_SIZE,
      LEARNING_RATE_DECAY)
   train_step=tf.train.GradientDescentOptimizer(learning_rate).minimize(loss,global_step=global_step)
   with tf.control_dependencies([train_step,variables_averages_op]):
      train_op=tf.no_op(name='train')
      #初始化Tensorflow持久化类
   saver=tf.train.Saver()
   with tf.Session() as sess:
      tf.global_variables_initializer().run()
      #在训练过程中不再测试模型在数据上的表现，验证和测试的过程将会有一个独立的程序来完成
      for i in range(TRAINING_STEPS):
         xs,ys=mnist.train.next_batch(BATCH_SIZE)
         _,loss_value,step=sess.run([train_op,loss,global_step],feed_dict={x:xs,y_:ys})
         #每1000保存一个模型
         if i%1000==0:
            #输出当前的训练情况，这里只输出了模型在当前训练batch上的损失函数大小
            #通过损失的大小可以大概了解训练的情况，在验证数据集上的正确率信息会有一个
            #单独的程序来生成
            print("After %d training step(s),loss on training"
                  "batch is %g."%(step,loss_value))
            saver.save(
               sess,os.path.join(MODEL_SAVE_PATH,MODEL_NAME),global_step=global_step
            )

            #保存当前的模型。这里给出了global_step参数，这样可以让每个被保存的模型
             #的文件名尾部加上训练的轮数
def main(argv=None):
   mnist=input_data.read_data_sets("/path/to/MNIST_data",one_hot=True)
   train(mnist)
if __name__=='__main__':
   tf.app.run()

神经网络参数函数

import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' 
import tensorflow as tf
 #定义神经网络相关参数 
INPUT_NODE=784 
OUTPUT_NODE=10 
LAYER1_NODE=500 
 #tf.get_veriable函数来获取变量。在训练神经网络时会创建这些变量；
在测试 #时通过保存的模型加载这些变量的取值。而且更加方便的是，因为可以在变量加载时将滑动 
#平均变量重命名，所以可以直接通过同样的名字在训练时使用变量自身，而在测试时使用变量的滑动 
#平均值。在这个函数中也会将变量的正则损失加入到损失集合。
 def get_weight_variables(shape,regularizer):
  weights=tf.get_variable( "weights",shape, initializer=tf.truncated_normal_initializer(stddev=1.0))
 #当给出了正则化生成函数，将当前变量的正则化损失加入名字为losses的集合 
 #在这里使用了add_to_collection函数将一个张量加入一个集合，而这个集合  
#的名称为losses。这是自定义的集合，不在Tensorflow自动管理的集合列表中。 
 if regularizer!=None:  tf.add_to_collection('losses',regularizer(weights))
 return weights def inference(input_tensor,regularizer):
  #声明第一层神经网络的变量并完成前向传播过程。 
 #这里通过tf.get_variable或tf.Variable没有本质区别，因为在训练或是‘ 
 #没有在同一个程序中多次调用这个函数。如果在同一个程序中多次调用 
 #在第一次调用后需将reuse参数设置为True  with tf.variable_scope('layer1'):  
weights=get_weight_variables( [INPUT_NODE,LAYER1_NODE],regularizer)
 biases=tf.get_variable( "biases",[LAYER1_NODE],initializer=tf.constant_initializer(0.0))
 layer1=tf.nn.relu(tf.matmul(input_tensor,weights)+biases) with tf.variable_scope('layer2'): 
 weights=get_weight_variables( [LAYER1_NODE,OUTPUT_NODE],regularizer)
 biases=tf.get_variable( "biases",[OUTPUT_NODE],initializer=tf.constant_initializer(0.0))
 layer2=tf.matmul(layer1,weights)+biases return layer2 

测试函数

 

 

 

import time import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data import mnist_inference import mnist_train EVAL_INTERVAL_SECS=10  def evaluate(mnist):  with tf.Graph().as_default() as g:  x=tf.placeholder( tf.float32,[None,mnist_inference.INPUT_NODE],name='x-input'  ) y_=tf.placeholder( tf.float32,[None,mnist_inference.OUTPUT_NODE],name='y-input'  ) validate_feed={x:mnist.validation.images, y_:mnist.validation.labels} y=mnist_inference.inference(x,None) correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(y_,1)) accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) variable_averages=tf.train.ExponentialMovingAverage( mnist_train.MOVING_AVERAGE_DECAY ) variables_to_restore=variable_averages.variables_to_restore() saver=tf.train.Saver(variables_to_restore) while True:  with tf.Session() as sess:  ckpt=tf.train.get_checkpoint_state( mnist_train.MODEL_SAVE_PATH ) if ckpt and ckpt.model_checkpoint_path:  saver.restore(sess,ckpt.model_checkpoint_path) global_step=ckpt.model_checkpoint_path.split('/'[-1].split('-')[-1]) accuracy_score=sess.run(accuracy,feed_dict=validate_feed) print("After %s training step(s),validation"  "accuracy=%g"%(global_step,accuracy_score)) else:  print('No checkpoint file found') return  time.sleep(EVAL_INTERVAL_SECS) def main(argv=None):  mnist=input_data.read_data_sets("/path/to/MNIST_data",one_hot=True) evaluate(mnist) if __name__=='__main__':  tf.app.run()