TensorFlow DNN 实现MNIST数字识别(初版)
2017-05-17 14:37
302 查看
#coding:utf-8 #手写识别 import tensorflow as tf #MNIST数据集相关的常数 INPUT_NODE=784 #输入层的节点数。对于MNIST数据集,这个就等于图片的像素 OUTPUT_NODE=10 #输出层的节点数。这个等于类别的数目。因为MNIST数据集中需要区分的是0-9这10个数字,所以这里输出层的节点数为10 #配置神经网络的参数 LAYER1_NODE=500 #隐藏层节点数。这里使用只有一个隐藏层的网络结构作为样例 #这个隐藏层有500个节点 BATCH_SIZE=100 #一个训练batch中的训练数据个数。数字越小时,训练过程越接近,随机梯度下降;数字越大时,训练越接近梯度下降 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在损失函数中的系数(防止过拟合) TRAINING_STEPS = 9001 #训练轮数 MOVING_AVERAGE_DECAY = 0.99 #滑动平均衰减率(控制模型更新速度阈值) #一个辅助函数,给定神经网络的输入和所有参数,计算神经网络的前向传播结果。 #在这里定义了一个使用ReLU激活函数的三层全连接神经网络。通过加入隐藏层实现了多层网络结构 #通过ReLU激活函数实现了去线性化。在这个函数中也支持传入用于计算参数的平均值的类 #这样方便在测试时使用滑动平均模型 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,这里使用了ReLU激活函数 layer1 = tf.nn.relu(tf.matmul(input_tensor,weights1)+biases1) #计算输出层的前向传播结果。因为在计算损失函数时会一并计算softmax函数 #所以这里不需要加入激活函数。而且不加入softmax不会影响预测结果。因为预测时 #使用的是不同类别对应节点输出值的相对大小,有没有softmax层对最后分类结果的计算没有影响。 return tf.matmul(layer1,weights2)+biases2 else: #首先使用avg_class.average函数来计算得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,[None,INPUT_NODE],name='x-input') y_= tf.placeholder(tf.float32,[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 4000 络前向传播的结果。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。这个变量不需要计算滑动平均值,所以这里指定这个变量为不可训练的变量(trainable=False) .在使用Tensorflow训练神经网络时 #一般会将代表训练轮数的变量指定为不可训练的参数。 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。其他辅助变量(比如g lobal_step)就不需要了 #tf.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你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。 #需要明确调用average函数 #average_y = inference(x, variable_averages, weights1, biases1, weights2, biases2) #计算交叉熵作为刻画预测值和真实值之间差距的损失函数。这里使用了TensorFlow中提供的sparse_softmax_cross_entropy_with_logits函数来计算交叉熵 #当分类问题只有一个正确答案时,可以使用这个函数来加速交叉熵的计算。 #MNIST问题的图片中只包含了0-9中的一个数字,所以可以使用这个函数来计算交叉熵损失 #这个函数的第一个参数是神经网络不包括softmax层的前向传播结果,第二个是训练数据的正确答案。 #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中所有样类的交叉熵平均值 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。这里损失函数包含了 #交叉熵损失和L2正则化损失 print(tf.train.GradientDescentOptimizer(learning_rate)) 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神经网络中的参数 #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 train_op=tf.group(train_step,variables_averages_op) #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的一维数组,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,如果相等返回True,否则返回False correct_prediction = tf.equal(tf.arg_max(y,1), tf.arg_max(y_,1)) #这个运算首先将一个布尔型的数值转换为实数型,然后计算平均值。这个平均值就是模型在 #这一组数据上的正确率 accuracy=tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) #声明tf.train.Saver类用于保存模型 saver = tf.train.Saver() #初始化会话并开始训练过程 with tf.Session() as sess: tf.initialize_all_variables().run() #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。在真实的应用中,这部分数据在训练时是不可见的,这个数据只是作为 #模型优劣的最后评判标准 test_feed = {x:mnist.test.images,y_:mnist.test.labels} #迭代地训练神经网络 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: #将模型保存到这个文件下 save_path = saver.save(sess, '/home/sun/AI/Depth_Learning/DNN/handWrite1/model/model.ckpt') #计算滑动平均模型在验证数据上的结果。因为MNIST数据集比较小,所以一次 #可以处理所有的验证数据。为了计算方便,本样例程序没有将验证数据划分为更小的batch #当神经网络模型比较复杂或者验证数据比较大时,太大的batch #会导致计算时间过长甚至发生内存溢出的错误 validate_acc = sess.run(accuracy,feed_dict=validate_feed) test_acc = sess.run(accuracy, feed_dict=test_feed) print("After %d training step(s), validation accuracy using average model is %g, test accuracy using average model is %g" %(i,validate_acc,test_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}) #在训练结束之后,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 %d training step(s), test accuracy using average model is %g "%(TRAINING_STEPS,test_acc)) #主程序入口 def main(argv=None): from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("/home/sun/AI/Depth_Learning/DNN/handWrite1/data/", one_hot=True) train(mnist) if __name__ == '__main__': tf.app.run()
相关文章推荐
- tensorflow 第一个程序MNIST手写数字识别(Softmax Regression实现)
- 用Tensorflow搭建CNN卷积神经网络,实现MNIST手写数字识别
- 深度学习-CNN卷积神经网络使用TensorFlow框架实现MNIST手写数字识别
- 深度学习-传统神经网络使用TensorFlow框架实现MNIST手写数字识别
- TensorFlow学习---实现mnist手写数字识别
- Tensorflow实现MNIST手写数字识别(Softmax Regression)
- TensorFlow实现mnist数字识别——CNN LeNet-5模型
- tensorflow——用RNN实现MNIST手写数字识别
- 用tensorflow实现MNIST(手写数字识别)
- Tensorflow框架下实现Mnist数字识别
- 学习笔记(五)Tensorflow实现Soft Regression简单识别MNIST手写数字
- Deep Learning-TensorFlow (1) CNN卷积神经网络_MNIST手写数字识别代码实现详解
- 【TensorFlow-windows】(一)实现Softmax Regression进行手写数字识别(mnist)
- 使用Tensorflow实现CNN进行MNIST数字识别
- MNIST数字识别问题之tensorflow实现
- TensorFlow代码实现(一)[MNIST手写数字识别]
- TensorFlow实现机器学习的“Hello World”--Mnist手写数字识别
- pycharm下tensorflow的调试,并实现mnist手写数字识别的例子
- TensorFlow实现mnist数字识别——两层全连接实现
- Deep Learning-TensorFlow (1) CNN卷积神经网络_MNIST手写数字识别代码实现