上一篇文章，不好意思我又跳票了，还好周六，周日休息。抽这两天时间把上一篇文章的TensorFlow入门剩下的知识点补充完整。
今天趁休息时间整理了一个基于TensorFlow的样例。还是经典问题MNSIT数据识别问题。但和tensorflow官网上的有些区别。其中包含了如下知识知识点将会通过代码的方式在其他章节中展开说明:
- 激活函数实现去线性化
- 损失函数
- 梯度下降算法
- 学习率的设置
- 过拟合处理
- 滑动平均模型
先上代码，此代码运行在TensorFlow1.0+版本以上。
#!/usr/bin/env python
# coding=utf-8
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
# 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，因为在MNIST数据集中需要区分的是0-9这个10个数据，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，训练就越接近梯度下降
LEARNING_RATE_BASE = 0.8 #基础学习率
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数
TRAINING_STEPS = 30000 #训练轮数
MOVING_AVERAGE_DECAY = 0.99 #滑动平均衰减率
#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多层网络结构，通过RelU激活函数实现去线性化。
#在这个函数中也支持传入用于计算参数平均值的类，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):
if avg_class == None:
layer1 = tf.nn.relu(tf.matmul(input_tensor,weights1) + biases1)
return tf.matmul(layer1, weights2) + biases2
else:
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
weights1 = tf.Variable(
tf.truncated_normal(shape=[INPUT_NODE,LAYER1_NODE], stddev=0.1))
biases1 = tf.Variable(
tf.constant(0.1, shape=[LAYER1_NODE])
)
#生成输入层
weights2 = tf.Variable(
tf.truncated_normal(shape=[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的结果，这里给出的用于计算滑动平均类为None,所以函数不会使用参数滑动平均值
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。在使用TensorFlow
#训练神经网络时，一边会将代表训练轮数的变量指定为不可训练的变量
global_step = tf.Variable(0, trainable=False)
#给定滑动平均衰减率和训练数的变量，初始化滑动平均类。给定训练轮数的变量可以加快训练早起变量的更新速度
variable_averages = tf.train.ExponentialMovingAverage(
MOVING_AVERAGE_DECAY,global_step
)
#在所谓代表神经网络参数的变量上使用滑动平均。其他辅助变量(如global_step)不需要了。tf.trainable_variables
#返回的就是图上集合GraphKeys.TRANINABLE_VARIABLES 中的元素。这个集合的元素所有没有指定trainable=False的参数
variable_averages_op = variable_averages.apply(
tf.trainable_variables(
))
#计算使用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取值，而是会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
averages_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_entroy_with_logits
#函数。当分类问题只有一个正确答案时，可以使用这个函数来加入交叉熵的计算。MNIST问题的图片中只包含了0~9中的数字，所以可以使用
#这个函数来计算交叉熵损失。这个函数的二个参数是神经网络不包含softmax的前向传播结果，第-个训练数据的正确答案是训练数据的正确答案，
#所以要使用tf.argmax函数来得到正确答案对应的编号。
cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=tf.argmax(y_,1),logits=y)
#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)#学习率衰退速度
#使用tf.train.GradientDescentOptimizer 优化算法来优化损失函数。注意这里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神经网络中断参数，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Tensorflow提供了tf.control_dependencieshe tf.group两种机制。下面两行程序和
#train_op = tf.group(train_step,variable_averages_op)是等价的
with tf.control_dependencies([train_step,variable_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(averages_y,1)计算每一个样例的预测答案。其中averages_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.argmax(averages_y,1),tf.argmax(y_,1))
#这个运算首先将一个布尔型的数值转为实数型，然后计算平均值。这个平均值就是模型在这一组数据上的概率
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:
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价标准。
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论输出一次在验证数据集上的测试结果
if i % 100000 == 0:
#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
validata_acc = sess.run(accuracy, feed_dict=validate_feed)
print("After %d training step(s), validata accuracy"
"using averages model is %g" % (i,validata_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})
#训练结束后，在测试数据上检验神经网络模型的最终正确率
test_acc = sess.run(accuracy,feed_dict=test_feed)
print("After %d traing step(s), test accuracy"
"model is %g" % (TRAINING_STEPS,test_acc))
#主程序入口
def main(argv=None):
mnist = input_data.read_data_sets("../mnist/MNIST_data/",one_hot=True)
train(mnist)
#Tensorflow提供的一个的主函数入口。tf.app.run会调用上面定义的main函数
if __name__ == '__main__':
tf.app.run()
