TensorFlow学习笔记(3) MNIST数字识别问题
2018-02-05 12:07
465 查看
MNIST是一个手写体数字识别数据体,作为机器学习的入门样例。这个数据集包含了60000张图片作为训练数据,一般从中划出5000张作为验证数据(validation),另外55000张作为训练数据(train),还有10000张图片作为测试数据(test),且每一张图片都代表了0-9中的一个数字。在TF中专门提供了一个类来处理MNIST数据:
input_data.read_data_sets函数生成的类还提供了mnist.train.next_batch函数,以便从所有训练数据中读取一小部分作为一个训练batch:
以下代码给出了一个在MNIST数据集上实现这些功能的TF程序:
在上一篇中提到了5种设计神经网络的优化方法:在结构设计上,使用激活函数和多隐藏层;在网络优化上,使用指数衰减的学习率、正则化、滑动平均模型。
通过对不同的模型进行比较,发现不用隐藏层和不用激活函数对模型得正确率有很大影响,即神经网络得结构对最终模型效果有本质性得影响。滑动平均和指数衰减得学习率对最终模型的影响不大,由于他们都是限制神经网络中参数更新的速度。相比这两种,正则化则给模型带来的效果显著体提升。
源自:Tensorflow 实战Google深度学习框架_郑泽宇
from tensorflow.examples.tutorials.mnist import input_data #载入MNIST数据集,如果MNIST_data文件夹中无数据,则自动从网上下载 mnist = input_data.read_data_sets("MNIST_data", one_hot=True) print("Training data size:", mnist.train.num_examples) #Training data size: 55000 print("Validating data size:", mnist.validation.num_examples) #Validating data size: 5000 print("Testing data size:", mnist.test.num_examples) #Testing data size: 10000 print("Example training data:", mnist.train.images[0]) #Example training data:[0. 0. 0. 0. 0. ... 0. 0.365 0. ...] 共784项 print("Example training data label:", mnist.train.labels[0]) #打印数据的答案 #Example training data label:[0 0 0 0 0 0 0 0 0 0 0 1 0] 共10项,第几项为1就代表数字几
input_data.read_data_sets函数生成的类还提供了mnist.train.next_batch函数,以便从所有训练数据中读取一小部分作为一个训练batch:
batch_size = 100 xs, ys = mnist.train.next_batch(batch_size) print('x-shape:', xs.shape) # x-shape: (100, 784) print('y-shape:', ys.shape) # y-shape: (100, 10)
以下代码给出了一个在MNIST数据集上实现这些功能的TF程序:
import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data # MNIST数据集相关的常数 INPUT_NODE = 784 OUT_NODE = 10 # 配置神经网络的参数 LAYER1_NODE = 500 BATCH_SIZE = 100 LEARNING_RATE_BASE = 0.8 LEARNING_RATE_DECAY = 0.99 REGULARIZATION_RATE = 0.0001 #描述模型复杂度的正则化项在损失函数中的系数 TRAINING_STEPS = 30000 MOVING_AVERAGE_DECAY = 0.99 #滑动平均衰减率 # 计算神经网络的前向传播结果,实现三层全连接神经网络 def inference(input_tensor, avg_class, weights1, biases1, weights2, biases2): if avg_class == None: #若没有提供滑动平均模型类,则直接使用参数当前值 layer1 = tf.nn.relu(tf.matmul(input_tensor, weights1) + biases1) return tf.matmul(layer1, weights2) + biases2 else:#若提供滑动平均模型类,首先使用avg_class.average()得到变量的滑动平均值,即影子变量 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, OUT_NODE], name='y-input') #生成隐藏层和输出层的参数的参数 weights1 = tf.Variable(tf.truncated_normal([INPUT_NODE, LAYER1_NODE], stddev=0.1)) #truncated_normal产生正太分布的值如果与均值的差值大于两倍的标准差,那就重新生成。 biases1 = tf.Variable(tf.constant(0.1, shape=[LAYER1_NODE])) weights2 = tf.Variable(tf.truncated_normal([LAYER1_NODE, OUT_NODE], stddev=0.1)) biases2 = tf.Variable(tf.constant(0.1, shape=[OUT_NODE])) #计算当前参数下前向传播的结果 y = inference(x, None, weights1, biases1, weights2, biases2) #定义存储训练轮数的变量, 不可进行优化 global_step = tf.Variable(0, trainable=False) #生成一个滑动平均的类,并在所有变量上使用滑动平均 variables_averages = tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY, global_step) variables_averages_op = variables_averages.apply(tf.trainable_variables()) #计算使用滑动平均参数后的前向传播的结果 average_y = inference(x, variables_averages, weights1, biases1, weights2, biases2) #计算交叉熵及当前barch中的所有样例的交叉熵平均值 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) #tf.argmax(vector, 1):返回的是vector中的最大值的索引值 #计算正则化损失函数 并得到最终的损失函数 regularizer = tf.contrib.layers.l2_regularizer(REGULARIZATION_RATE) regularization = regularizer(weights1) + regularizer(weights2) loss = cross_entropy_mean + regularization #定义指数衰减式的学习率 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) train_op = tf.group(train_step, variables_averages_op) #打包 correct_prediction = tf.equal(tf.argmax(average_y, 1), tf.argmax(y_, 1)) #判断两张量的每一维是否相等,相等返回True,不等返回False accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))#cast将布尔值转化为float32 求均值即得正确率 with tf.Session() as sess: sess.run(tf.initialize_all_variables()) #生成验证数据 validate_feed = {x: mnist.validation.images, y_: mnist.validation.labels} #生成测试数据 test_feed = {x:mnist.test.images, y_:mnist.test.labels} for i in range(TRAINING_STEPS): xs, ys = mnist.train.next_batch(BATCH_SIZE) sess.run(train_op, feed_dict={x: xs, y_: ys}) if i%1000 == 0: validate_acc = sess.run(accuracy, feed_dict=validate_feed) test_acc = sess.run(accuracy, feed_dict=test_feed) print("After %d training steps, validation accuracy using average model is %g,test accuracy using average model is %g" %(i, validate_acc, test_acc)) def main(argv=None): mnist = input_data.read_data_sets("MNIST_data", one_hot=True) train(mnist) if __name__ == '__main__': tf.app.run()
在上一篇中提到了5种设计神经网络的优化方法:在结构设计上,使用激活函数和多隐藏层;在网络优化上,使用指数衰减的学习率、正则化、滑动平均模型。
通过对不同的模型进行比较,发现不用隐藏层和不用激活函数对模型得正确率有很大影响,即神经网络得结构对最终模型效果有本质性得影响。滑动平均和指数衰减得学习率对最终模型的影响不大,由于他们都是限制神经网络中参数更新的速度。相比这两种,正则化则给模型带来的效果显著体提升。
源自:Tensorflow 实战Google深度学习框架_郑泽宇
相关文章推荐
- 【从零开始学习Tensorflow】(三)第5章 MNIST数字识别问题
- 学习笔记(五)Tensorflow实现Soft Regression简单识别MNIST手写数字
- MNIST数字识别问题(Tensorflow)
- 深度学习框架Caffe学习笔记(2)-MNIST手写数字识别例程
- TensorFlow:Chap5笔记总结(MNIST数字识别)
- 深度学习Java类库deeplearning4j 学习笔记-MNIST手写数字分类问题
- TensorFlow学习---实现mnist手写数字识别
- TensorFlow学习笔记(二):手写数字识别之多层感知机
- TensorFlow学习笔记【二】 手写数字识别入门
- 机器学习-学习笔记 Caffe安装-MNIST(手写体数字识别)
- 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_02_CNN卷积神经网络_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
- MNIST数字识别问题之tensorflow实现
- Tensorflow深度学习之八:再探CNN解决mnist手写数字识别问题
- TensorFlow学习(2):非线性回归和简单的MNIST手写数字识别
- 【深度学习】笔记3_caffe自带的第一个例子,Mnist手写数字识别所使用的LeNet网络模型的详细解释
- TensorFlow笔记之一:MNIST手写数字识别
- 学习笔记TF024:TensorFlow实现Softmax Regression(回归)识别手写数字
- 【深度学习】笔记2_caffe自带的第一个例子,Mnist手写数字识别代码,过程,网络详解