Tensorflow实现手写体分类（含dropout）

一、手写体分类

1. 数据集

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26

import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data import os   os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' os.environ["CUDA_VISIBLE_DEVICES"] = "0" config = tf.ConfigProto(allow_soft_placement = True) gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction = 0.33) config.gpu_options.allow_growth = True   max_steps = 20  # 最大迭代次数 learning_rate = 0.001   # 学习率 dropout = 0.9   # dropout时随机保留神经元的比例 data_dir = '.\MNIST_DATA'   # 样本数据存储的路径 log_dir = 'E:\MNIST_LOG'    # 输出日志保存的路径   # 获取数据集，并采用采用one_hot热编码 mnist = input_data.read_data_sets(data_dir,one_hot = True) # mnist=input_data.read_data_sets('MNIST_data',one_hot=True)   '''下载数据是直接调用了tensorflow提供的函数read_data_sets,输入两个参数， 第一个是下载到数据存储的路径，第二个one_hot表示是否要将类别标签进行独热编码。 它首先回去找制定目录下有没有这个数据文件，没有的话才去下载，有的话就直接读取。 所以第一次执行这个命令，速度会比较慢。'''   # sess = tf.InteractiveSession(config = config)

 

下面的图是通过调用 tf.summary.image('input', image_shaped_input, 10)得到的，具体见2.初始化参数

2. 初始化参数

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

with tf.name_scope('input'):     x = tf.placeholder(tf.float32, [None, 784], name='x-input')     y_ = tf.placeholder(tf.float32, [None, 10], name='y-input')   # 保存图像信息 with tf.name_scope('input_reshape'):     image_shaped_input = tf.reshape(x, [-1, 28, 28, 1])     tf.summary.image('input', image_shaped_input, 10)   # 初始化权重参数 def weight_variable(shape):     initial = tf.truncated_normal(shape, stddev = 0.1)     return tf.Variable(initial)   # 初始化偏执参数 def bias_variable(shape):     initial = tf.constant(0.1, shape = shape)     return tf.Variable(initial)   # 绘制参数变化 def variable_summaries(var):     with tf.name_scope('summaries'):         # 计算参数的均值，并使用tf.summary.scaler记录         mean = tf.reduce_mean(var)         tf.summary.scalar('mean', mean)           # 计算参数的标准差         with tf.name_scope('stddev'):             stddev = tf.sqrt(tf.reduce_mean(tf.square(var - mean)))         # 使用tf.summary.scaler记录下标准差，最大值，最小值         tf.summary.scalar('stddev', stddev)         tf.summary.scalar('max', tf.reduce_max(var))         tf.summary.scalar('min', tf.reduce_min(var))         # 用直方图记录参数的分布         tf.summary.histogram('histogram', var)

　　

第一层的weight和biases的变化情况

 

 第二层的weight和biases的变化情况

 

 

 3. 构建神经网络

下面是单层神经网络模型

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

# 构建神经网络 def nn_layer(input_tensor, input_dim, output_dim, layer_name, act=tf.nn.relu):     # 设置命名空间     with tf.name_scope(layer_name):         # 调用之前的方法初始化权重w，并且调用参数信息的记录方法，记录w的信息         with tf.name_scope('weights'):             weights = weight_variable([input_dim, output_dim])             variable_summaries(weights)         # 调用之前的方法初始化权重b，并且调用参数信息的记录方法，记录b的信息         with tf.name_scope('biases'):             biases = bias_variable([output_dim])             variable_summaries(biases)         # 执行wx+b的线性计算，并且用直方图记录下来         with tf.name_scope('linear_compute'):             preactivate = tf.matmul(input_tensor, weights) + biases             tf.summary.histogram('linear', preactivate)         # 将线性输出经过激励函数，并将输出也用直方图记录下来         activations = act(preactivate, name='activation')         tf.summary.histogram('activations', activations)     # 返回激励层的最终输出     return activations

 

下面要建双层神经网络，第一层加dropout

?

1 2 3 4 5 6 7 8 9

hidden1 = nn_layer(x, 784, 500, 'layer1')   # 创建dropout层 with tf.name_scope('dropout'): keep_prob = tf.placeholder(tf.float32) tf.summary.scalar('dropout_keep_probability', keep_prob) dropped = tf.nn.dropout(hidden1, keep_prob)   y = nn_layer(dropped, 500, 10, 'layer2', act=tf.identity)

 

模型图如下：

 dropout变化如下：

第一层和第二层的weights、bias、未激活前，激活后的值分布如下：

　　tf.summary.histogram接受任意大小和形状的张量，并将该张量压缩成一个由许多分箱组成的直方图数据结构，这些分箱有各种宽度和计数。例如，假设我们要将数字 [0.5, 1.1, 1.3, 2.2, 2.9, 2.99] 整理到不同的分箱中，我们可以创建三个分箱： * 一个分箱包含 0 到 1 之间的所有数字（会包含一个元素：0.5）， * 一个分箱包含 1 到 2 之间的所有数字（会包含两个元素：1.1 和 1.3）， * 一个分箱包含 2 到 3 之间的所有数字（会包含三个元素：2.2、2.9 和 2.99）。TensorFlow 使用类似的方法创建分箱，但与我们的示例不同，它不创建整数分箱。对于大型稀疏数据集，可能会导致数千个分箱。相反，这些分箱呈指数分布，许多分箱接近 0，有较少的分箱的数值较大。 然而，将指数分布的分箱可视化是非常艰难的。如果将高度用于为计数编码，那么即使元素数量相同，较宽的分箱所占的空间也越大。反过来推理，如果用面积为计数编码，则使高度无法比较。因此，直方图会将数据重新采样并分配到统一的分箱。很不幸，在某些情况下，这可能会造成假象。

　　直方图可视化工具中的每个切片显示单个直方图。切片是按步骤整理的；较早的切片（如，步骤 0）位于较“靠后”的位置，颜色也较深，而较晚的切片则靠近前景，颜色也较浅。右侧的 y 轴显示步骤编号。

举例：下图表示时间步骤76，对应的直方图的分箱位于0.0695附近，分箱中有712个元素

 

切换historm到覆盖模式

信息中心左侧有一个控件，可以将直方图模式从“偏移”切换到“覆盖”：在“偏移”模式下，可视化旋转 45 度，以便各个直方图切片不再按时间展开，而是全部绘制在相同的 y 轴上。

现在，每个切片都是图表上的一条单独线条，y 轴显示的是每个分箱内的项目数。颜色较深的线条表示较早的步，而颜色较浅的线条表示较晚的步。同样，可以将鼠标悬停在图表上以查看其他一些信息。

 

 

 

4. 损失函数+优化器

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

# 创建损失函数 with tf.name_scope('loss'):     # 计算交叉熵损失（每个样本都会有一个损失）     diff = tf.nn.softmax_cross_entropy_with_logits_v2(labels=y_, logits=y)     with tf.name_scope('total'):         # 计算所有样本交叉熵损失的均值         cross_entropy = tf.reduce_mean(diff)     tf.summary.scalar('loss', cross_entropy)       # 使用AdamOptimizer优化器训练模型，最小化交叉熵损失 with tf.name_scope('train'):     train_step = tf.train.AdamOptimizer(learning_rate).minimize(cross_entropy)   # 计算准确率 with tf.name_scope('accuracy'):     with tf.name_scope('correct_prediction'):         # 分别将预测和真实的标签中取出最大值的索引，弱相同则返回1(true),不同则返回0(false)         correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))     with tf.name_scope('accuracy'):         # 求均值即为准确率         accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))           tf.summary.scalar('accuracy', accuracy)

5. 训练

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32

sess = tf.Session() #summaries合并 merged = tf.summary.merge_all() # 写到指定的磁盘路径中 train_writer = tf.summary.FileWriter(log_dir + '/train', sess.graph) test_writer = tf.summary.FileWriter(log_dir + '/test',sess.graph)   #运行初始化所有变量 # global_variables_initializer().run() sess.run(tf.global_variables_initializer())   def feed_dict(train):     """Make a TensorFlow feed_dict: maps data onto Tensor placeholders."""     if train:         xs, ys = mnist.train.next_batch(10)         k = dropout     else:         xs, ys = mnist.test.images[:100], mnist.test.labels[:100]         k = 1.0     return {x: xs, y_: ys, keep_prob: k}   for i in range(100):     if i % 10 == 0:  #记录测试集的summary与accuracy         summary, acc = sess.run([merged, accuracy], feed_dict=feed_dict(False))         test_writer.add_summary(summary, i)         print('Accuracy at step %s: %s' % (i, acc))     else:  # 记录训练集的summary         summary, _ = sess.run([merged, train_step], feed_dict=feed_dict(True))         train_writer.add_summary(summary, i)   train_writer.close() test_writer.close()

　　

准确率：

损失函数：

　

 参考文献：

【1】莫烦Python

【2】TensorBoard 直方图信息中心