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()