当前位置:   article > 正文

TensorFlow DNN 实现MNIST数字识别(初版)_tensorflow dnn mnist

tensorflow dnn mnist
  1. #coding:utf-8
  2. #手写识别
  3. import tensorflow as tf
  4. #MNIST数据集相关的常数
  5. 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
  6. 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
  7. #配置神经网络的参数
  8. 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
  9. #这个隐藏层有500个节点
  10. 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
  11. LEARNING_RATE_BASE = 0.8 #基础的学习率
  12. LEARNING_RATE_DECAY = 0.99 #学习率的衰减率
  13. 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)
  14. TRAINING_STEPS = 9001 #训练轮数
  15. MOVING_AVERAGE_DECAY = 0.99 #滑动平均衰减率(控制模型更新速度阈值)
  16. #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。
  17. #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
  18. #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
  19. #这样方便在测试时使用滑动平均模型
  20. def inference(input_tensor,avg_class,weights1,biases1,weights2,biases2):
  21. #当没有提供滑动平均类时,直接使用参数当前的取值。
  22. if avg_class==None:
  23. #计算隐藏层的前向传播结果,这里使用了ReLU激活函数
  24. layer1 = tf.nn.relu(tf.matmul(input_tensor,weights1)+biases1)
  25. #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
  26. #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
  27. #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。
  28. return tf.matmul(layer1,weights2)+biases2
  29. else:
  30. #首先使用avg_class.average函数来计算得出变量的滑动平均值,
  31. #然后再计算相应的神经网络前向传播结果
  32. layer1=tf.nn.relu(tf.matmul(input_tensor,avg_class.average(weights1))+avg_class.average(biases1))
  33. return tf.matmul(layer1,avg_class.average(weights2))+avg_class.average(biases2)
  34. #训练模型的过程
  35. def train(mnist):
  36. x = tf.placeholder(tf.float32,[None,INPUT_NODE],name='x-input')
  37. y_= tf.placeholder(tf.float32,[None,OUTPUT_NODE],name='y-input')
  38. #生成隐藏层的参数
  39. weights1 = tf.Variable(tf.truncated_normal([INPUT_NODE,LAYER1_NODE], stddev=0.1))
  40. biases1 = tf.Variable(tf.constant(0.1,shape=[LAYER1_NODE]))
  41. #生成输出层的参数
  42. weights2=tf.Variable(tf.truncated_normal([LAYER1_NODE,OUTPUT_NODE],stddev=0.1))
  43. biases2=tf.Variable(tf.constant(0.1,shape=[OUTPUT_NODE]))
  44. #计算在当前参数下神经网络前向传播的结果。这里给出的用于计算滑动平均的类为None
  45. #所以函数不会使用参数的滑动平均值
  46. y=inference(x, None, weights1, biases1, weights2, biases2)
  47. #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
  48. #一般会将代表训练轮数的变量指定为不可训练的参数。
  49. global_step=tf.Variable(0,trainable=False)
  50. #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
  51. #给定训练轮数的变量可以加快训练早期变量的更新速度
  52. variable_averages=tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY,global_step)
  53. #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
  54. #tf.variables返回的就是图上集合
  55. #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
  56. variables_averages_op=variable_averages.apply(tf.trainable_variables())
  57. #计算使用了滑动平均之后的前向传播结果。
  58. #需要明确调用average函数
  59. #average_y = inference(x, variable_averages, weights1, biases1, weights2, biases2)
  60. #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
  61. #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。
  62. #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
  63. #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。
  64. #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
  65. cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y, labels=tf.argmax(y_, 1))
  66. #计算在当前batch中所有样类的交叉熵平均值
  67. cross_entropy_mean=tf.reduce_mean(cross_entropy)
  68. #计算L2正则化损失函数
  69. regularizer = tf.contrib.layers.l2_regularizer(REGULARIZATION_RATE)
  70. #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
  71. regularization = regularizer(weights1)+regularizer(weights2)
  72. #总损失等于交叉熵损失和正则化损失的和
  73. loss=cross_entropy_mean+regularization
  74. #设置指数衰减的学习率
  75. learning_rate = tf.train.exponential_decay(
  76. 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
  77. global_step, #当前迭代的轮数
  78. mnist.train._num_examples/BATCH_SIZE, #过完所有的训练数据需要的迭代次数
  79. LEARNING_RATE_DECAY) #学习率衰减速度
  80. #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
  81. #交叉熵损失和L2正则化损失
  82. print(tf.train.GradientDescentOptimizer(learning_rate))
  83. train_step=tf.train.GradientDescentOptimizer(learning_rate).minimize(loss, global_step=global_step)
  84. #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
  85. #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
  86. #tf.control_dependencies和tf.group两种机制下面两行程序和
  87. #train_op=tf.group(train_step,variables_averages_op)是等价的
  88. train_op=tf.group(train_step,variables_averages_op)
  89. #with tf.control_dependencies([train_step,variables_averages_op]):
  90. # train_op=tf.no_op(name='train')
  91. #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)
  92. #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,
  93. #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
  94. #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
  95. #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。
  96. #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
  97. correct_prediction = tf.equal(tf.arg_max(y,1), tf.arg_max(y_,1))
  98. #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
  99. #这一组数据上的正确率
  100. accuracy=tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
  101. #声明tf.train.Saver类用于保存模型
  102. saver = tf.train.Saver()
  103. #初始化会话并开始训练过程
  104. with tf.Session() as sess:
  105. tf.initialize_all_variables().run()
  106. #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
  107. #条件和评判训练的效果
  108. validate_feed={x:mnist.validation.images, y_:mnist.validation.labels}
  109. #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
  110. #模型优劣的最后评判标准
  111. test_feed = {x:mnist.test.images,y_:mnist.test.labels}
  112. #迭代地训练神经网络
  113. for i in range(TRAINING_STEPS):
  114. #每1000轮输出一次在验证数据集上的测试结果
  115. if i%1000==0:
  116. #将模型保存到这个文件下
  117. save_path = saver.save(sess, '/home/sun/AI/Depth_Learning/DNN/handWrite1/model/model.ckpt')
  118. #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
  119. #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
  120. #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
  121. #会导致计算时间过长甚至发生内存溢出的错误
  122. validate_acc = sess.run(accuracy,feed_dict=validate_feed)
  123. test_acc = sess.run(accuracy, feed_dict=test_feed)
  124. 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))
  125. #产生这一轮使用的一个batch的训练数据,并运行训练过程
  126. xs,ys=mnist.train.next_batch(BATCH_SIZE)
  127. sess.run(train_op,feed_dict={x:xs,y_:ys})
  128. #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
  129. test_acc=sess.run(accuracy,feed_dict=test_feed)
  130. print("After %d training step(s), test accuracy using average model is %g "%(TRAINING_STEPS,test_acc))
  131. #主程序入口
  132. def main(argv=None):
  133. from tensorflow.examples.tutorials.mnist import input_data
  134. mnist = input_data.read_data_sets("/home/sun/AI/Depth_Learning/DNN/handWrite1/data/", one_hot=True)
  135. train(mnist)
  136. if __name__ == '__main__':
  137. tf.app.run()

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/小桥流水78/article/detail/747174
推荐阅读
相关标签
  

闽ICP备14008679号