码迷,mamicode.com
首页 > 其他好文 > 详细

tensorflow 基础学习五:MNIST手写数字识别

时间:2017-12-21 01:56:40      阅读:212      评论:0      收藏:0      [点我收藏+]

标签:过程   常用   learning   run   oss   速度   reg   两种   infer   

MNIST数据集介绍:

from tensorflow.examples.tutorials.mnist import input_data

# 载入MNIST数据集,如果指定地址下没有已经下载好的数据,tensorflow会自动下载数据
mnist=input_data.read_data_sets(.,one_hot=True)

# 打印 Training data size:55000。
print("Training data size: {}".format(mnist.train.num_examples))

# 打印Validating data size:5000
print(Validating data size: {}.format(mnist.validation.num_examples))

# 打印Testing data size:10000
print(Testing data size: {}.format(mnist.test.num_examples))

# 打印Example training data:
print(Example training data: {}.format(mnist.train.images[0]))

# 打印Example training data label:
print(Example training data label: {}.format(mnist.train.labels[0]))

batch_size=100
xs,ys=mnist.train.next_batch(batch_size)
# 从train集合中选取batch_size个训练数据
print(X shape: {}.format(xs.shape)) # 输出:(100,784)
print(Y shape: {}.format(ys.shape)) # 输出:(100,10)

一个完整的mnist手写数字识别程序:

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

# MNIST数据集相关的常用
INPUT_NODE=784
OUTPUT_NODE=10

# 配置神经网络的参数
LAYER1_NODE=500 # 隐藏层节点个数
BATCH_SIZE=100 # 一个训练batch中的数据个数。
LEARNING_RATE_BASE=0.8 # 基础的学习率
LEARNING_RATE_DECAY=0.99 # 学习率的衰减率
REGULARIZATION_RATE=0.0001 # 描述模型复杂度的正则化项在损失函数中的系统
TRAINING_STEPS=30000 # 训练轮数
MOVING_AVERAGE_DECAY=0.99 # 滑动平均衰减率

# 定义一个三层神经网络。
def inference(input_tensor,avg_class,weights1,biases1,weights2,biases2):
    # 当没有提供滑动平均类时,直接使用参数当前的取值。
    if avg_class==None:
        # 计算隐藏层的前向传播结果,这里使用ReLU激活函数
        layer1=tf.nn.relu(tf.matmul(input_tensor,weights1)+biases1)
        return tf.matmul(layer1,weights2)+biases2
    else:
        # 首先使用avg_class.average函数来计算出变量的滑动平均值,
        # 然后再计算相应的神经网络前向传播结果
        layer1=tf.nn.relu(tf.matmul(input_tensor,avg_class.average(weights1))+
                          avg_class.average(biases1))
        return (tf.matmul(layer1,avg_class.average(weights2))+avg_class.average(biases2))
    
    
# 训练模型的过程
def train(mnist):
    x=tf.placeholder(tf.float32,shape=[None,INPUT_NODE],name=x-input)
    y_=tf.placeholder(tf.float32,shape=[None,OUTPUT_NODE],name=y-input)
    
    # 生成隐藏层的参数
    weights1=tf.Variable(tf.truncated_normal([INPUT_NODE,LAYER1_NODE],stddev=0.1))
    biases1=tf.Variable(tf.constant(0.1,shape=[LAYER1_NODE]))
    # 生成输出层的参数
    weights2=tf.Variable(tf.truncated_normal([LAYER1_NODE,OUTPUT_NODE],stddev=0.1))
    biases2=tf.Variable(tf.constant(0.1,shape=[OUTPUT_NODE]))
    
    # 计算在当前参数下神经网络前向传播结果。这里给出的用于计算滑动平均的类为None,
    # 所以函数不会使用参数的滑动平均值。
    y=inference(x,None,weights1,biases1,weights2,biases2)
    
    # 定义存储训练轮数的变量。该变量为不可训练变量(trainable=False)
    global_step=tf.Variable(0,trainable=False)
    
    # 给定滑动平均衰减率和训练轮数的变量,初始化滑动平均类。给定训练轮数的变量
    # 可以加快训练早期变量的更新速度。
    variable_averages=tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY,global_step)
    
    # 在所有代表神经网络参数的变量上使用滑动平均。tf.trainable_variables返回的就是图上集合
    # GraphKeys.TRAINABLE_VARIABLES中的元素。这个集合的元素就是所有没有指定
    # trainable=False的参数。
    variables_averages_op=variable_averages.apply(tf.trainable_variables())
    
    # 计算使用了滑动平均之后的前向传播结果。滑动平均不会改变变量本身的值,而是维护一个影子
    # 变量来记录其滑动平均值。所以当需要使用这个滑动平均值时,需要明确调用average函数
    average_y=inference(x,variable_averages,weights1,biases1,weights2,biases2)
    
    # 使用交叉熵作为损失函数。这里使用
    # sparse_softmax_cross_entropy_with_logits函数来计算交叉熵。因为标准答案是一个长度为
    # 10的一维数组,而该函数需要提供的是一个正确答案的数字,所以需要使用tf.argmax函数来
    # 得到正确答案对应的类别编号
    cross_entropy=tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y,labels=tf.argmax(y_,1))
    # 计算在当前batch中所有样例的交叉熵平均值
    cross_entropy_mean=tf.reduce_mean(cross_entropy)
    
    # 计算L2正则化损失函数
    regularizer=tf.contrib.layers.l2_regularizer(REGULARIZATION_RATE)
    # 计算模型的正则化损失。一般只计算神经网络边上权重的正则化损失,而不使用偏置项
    regularization=regularizer(weights1)+regularizer(weights2)
    # 总损失等于交叉熵损失和正则化损失的和
    loss=cross_entropy_mean+regularization
    # 设置指数衰减的学习率。
    learning_rate=tf.train.exponential_decay(
        LEARNING_RATE_BASE, # 基础的学习率,随着迭代的进行,更新变量时使用的学习率
                                # 在这个基础上递减
        global_step, # 当前迭代的轮数
        mnist.train.num_examples/BATCH_SIZE, # 过完所有的训练数据需要的迭代次数
        LEARNING_RATE_DECAY # 学习率衰减速度
    )
    
    # 使用tf.train.GradientDescentOptimizer优化算法来优化损失函数。这里的损失函数
    # 包含了交叉熵损失和L2正则化损失。
    train_step=tf.train.GradientDescentOptimizer(learning_rate)                .minimize(loss,global_step=global_step)
    
    # 在训练神经网络模型时,每过一遍数据既需要通过反向传播来更新网络中的参数,
    # 又要更新每一个参数的滑动平均值。为了一次完成多个操作,tensorflow提供了
    # tf.control_dependencies和tf.group两种机制。下面两行程序和
    # train_op=tf.group(train_step,variables_averages_op)是等价的。
    with tf.control_dependencies([train_step,variables_averages_op]):
        train_op=tf.no_op(name=train)
        
    # 检验使用了滑动平均模型的神经网络前向传播结果是否正确。tf.argmax(average_y,1)
    # 计算每一个样例的预测答案。其中average_y是一个batch_size*10的二维数组,每一行
    # 表示一个样例的前向传播结果。tf.argmax的第二个参数‘1’表示选取最大值的操作仅在
    # 第一个维度中进行,也就是说,只在每一行选取最大值对应的下标。于是得到的结果是
    # 一个长度为batch的以为数组,这个一维数组中的值就表示了每一个样例对应的数字识别结果。
    # tf.equal判断两个张量的每一维是否相等。
    correct_prediction=tf.equal(tf.argmax(average_y,1),tf.argmax(y_,1))
    accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
    
    # 初始化会话并开始训练过程。
    with tf.Session() as sess:
        init_op=tf.global_variables_initializer()
        sess.run(init_op)
        # 准备验证数据。一般在神经网络的训练过程中会通过验证数据来大致判断停止的
        # 条件和评判训练的效果。
        validate_feed={x:mnist.validation.images,y_:mnist.validation.labels}
        
        # 准备测试数据
        test_feed={x:mnist.test.images,y_:mnist.test.labels}
        
        # 迭代的训练神经网络
        for i in range(TRAINING_STEPS):
            # 每1000轮输出一次在验证数据集上的测试结果
            if i%1000==0:
                validate_acc=sess.run(accuracy,feed_dict=validate_feed)
                print(After {} training step(s),validation accuracy
                      using average model is {}.format(i,validate_acc))
                
            # 产生这一轮使用的一个batch的训练数据,并运行训练过程。
            xs,ys=mnist.train.next_batch(BATCH_SIZE)
            sess.run(train_op,feed_dict={x:xs,y_:ys})
        
        # 在训练结束后,在测试数据上检测神经网络模型的最终正确率
        test_acc=sess.run(accuracy,feed_dict=test_feed)
        print(After {} training step(s), test accuracy using average 
             model is {}.format(TRAINING_STEPS,test_acc))

def main(argv=None):
    # 声明处理MNIST数据集的类,这个类在初始化时会自动下载数据
    mnist=input_data.read_data_sets(.,one_hot=True)
    train(mnist)

# tensorflow 提供的一个主程序入口,tf.app.run会调用上面定义的main函数
if __name__==__main__:
    tf.app.run()

 

tensorflow 基础学习五:MNIST手写数字识别

标签:过程   常用   learning   run   oss   速度   reg   两种   infer   

原文地址:http://www.cnblogs.com/hypnus-ly/p/8076444.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!