import tensorflow as tf tf.reset_default_graph() # 配置神经网络的参数 INPUT_NODE = 784 OUTPUT_NODE = 10 IMAGE_SIZE = 28 NUM_CHANNELS = 1 NUM_LABELS = 10 # 第一层卷积层的尺寸和深度 CONV1_DEEP = 32 CONV1_SIZE = 5 # 第二层卷积层的尺寸和深度 CONV2_DEEP = 64 CONV2_SIZE = 5 # 全连接层的节点个数 FC_SIZE = 512 # 定义卷积神经网络的前向传播过程。这里添加了一个新的参数train，用于区分训练过程和测试过程 # 在这个程序中将用到dropout方法，dropout方法可以进一步提升模型可靠性并防止过拟合 # dropout过程只在训练时使用 def inference(input_tensor, train, regularizer): # 声明第一层卷积层的变量并实现前向传播过程。 # 通过使用不同的命名空间来隔离不同层的变量，这可以让每一层中的变量命名 # 只需要考虑当前层的作用，而不需要担心重命名的问题。和标准LeNet-5模型不大一样， # 这里定义的卷积层输入为28*28*1的原始MNIST图片像素，因为卷积层中使用了全0填充 # 所以输出为28*28*32的矩阵 with tf.variable_scope('layer1-conv1'): conv1_weights = tf.get_variable("weight", [CONV1_SIZE, CONV1_SIZE, NUM_CHANNELS, CONV1_DEEP], initializer=tf.truncated_normal_initializer(stddev=0.1) ) conv1_biases = tf.get_variable("bias", [CONV1_DEEP], initializer=tf.constant_initializer(0.0)) # 使用边长为5，深度为32的过滤器，过滤器移动的步长为1，且使用全0填充 conv1 = tf.nn.conv2d(input_tensor, conv1_weights, strides=[1, 1, 1, 1], padding='SAME') relu1 = tf.nn.relu(tf.nn.bias_add(conv1, conv1_biases)) # 实现第二城池化层的前向传播过程。这里选用最大池化层，池化层过滤器的边长为2， # 使用全0填充且移动的步长为2.这一层的输入是上一层的输出，也就是28*28*32 # 的矩阵。输出为14*14*32的矩阵 with tf.name_scope('layer2-pool1'): pool1 = tf.nn.max_pool(relu1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME') # 声明第三层卷积层的变量并实现前向传播过程。这一层输入为14*14*32的矩阵 # 输出为14*14*64的矩阵 with tf.variable_scope('layer3-conv2'): conv2_weights = tf.get_variable("weight", [CONV2_SIZE, CONV2_SIZE, CONV1_DEEP, CONV2_DEEP], initializer=tf.truncated_normal_initializer(stddev=0.1)) conv2_biases = tf.get_variable("bias", [CONV2_DEEP], initializer=tf.constant_initializer(0.0)) # 使用边长为5，深度为64的过滤器，过滤器移动的步长为1，且使用全0填充 conv2 = tf.nn.conv2d(pool1, conv2_weights, strides=[1, 1, 1, 1], padding='SAME') relu2 = tf.nn.relu(tf.nn.bias_add(conv2, conv2_biases)) # 实现第四层池化层的前向传播过程。这一层和第二层的结构是一样的。这一层的输入为 # 14*14*64的矩阵，输出为7*7*64的矩阵 with tf.name_scope('layer4-pool2'): pool2 = tf.nn.max_pool(relu2, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME') # 将第四层池化层的输出转化为第五层全连接层的输入格式，第四层的输出为7*7*64的矩阵 # 然而第五层全连接层需要的输入格式为向量，所以在这里需要将这个7*7*64的矩阵拉直成一个向量 # pool2.get_shape函数可以得到第四层输出矩阵的维度而不需要手工计算 # 注意因为每一层神经网络的输入输出都为一个batch的矩阵，所以这里得到的维度也包含了一个batch中数据的个数 pool_shape = pool2.get_shape().as_list() # 计算将矩阵拉直成向量之后的长度，这个长度就是矩阵长宽及深度的乘积。注意在这里pool_shape[0]为一个batch中数据的个数 nodes = pool_shape[1] * pool_shape[2] * pool_shape[3] # 通过tf.reshape函数将第四层的输出变成一个batch向量 reshaped = tf.reshape(pool2, [pool_shape[0], nodes]) # 声明第五层全连接的变量并实现前向传播过程。这一层的输入是拉直之后的一组向量 # 向量长度为3136，输出是一组长度为512的向量。 # 引入了dropout的概念,dropout在训练时会随机将部分节点的输出改为0 # dropout可以避免过拟合问题，从而使得模型在测试数据上的效果更好 # dropout一般只在全连接层而不是卷积层或者池化层使用 with tf.variable_scope('layer5-fc1'): fc1_weights = tf.get_variable("weight", [nodes, FC_SIZE], initializer=tf.truncated_normal_initializer(stddev=0.1)) # 只用全连接层的权重需要加入正则化 if regularizer != None: tf.add_to_collection('losses', regularizer(fc1_weights)) fc1_biases = tf.get_variable("bias", [FC_SIZE], initializer=tf.constant_initializer(0.1)) fc1 = tf.nn.relu(tf.matmul(reshaped, fc1_weights) + fc1_biases) if train: fc1 = tf.nn.dropout(fc1, 0.5) # 声明第六层的变量并实现前向传播过程。这一层的输入为一组长度为512的向量 # 输出为一组长度为10的向量。这一层的输出通过Softmax之后就得到了最后的分类结果 with tf.variable_scope('layer6-fc2'): fc2_weights = tf.get_variable("weight", [FC_SIZE, NUM_LABELS], initializer=tf.truncated_normal_initializer(stddev=0.1)) if regularizer != None: tf.add_to_collection('losses', regularizer(fc2_weights)) fc2_biases = tf.get_variable("bias", [NUM_LABELS], initializer=tf.constant_initializer(0.1)) logit = tf.matmul(fc1, fc2_weights) + fc2_biases return logit import os import numpy as np from tensorflow.examples.tutorials.mnist import input_data # 配置神经网络的参数 BATCH_SIZE = 100 LEARNING_RATE_BASE = 0.8 LEARNING_RATE_DECAY = 0.99 REGULARAZTION_RATE = 0.0001 TRAINING_STEPS = 20000 MOVING_AVERAGE_DECAY = 0.99 # 模型保存的路径和文件名 MODEL_SAVE_PATH = "E:\\MNIST_data\\" MODEL_NAME = "model1.ckpt" def train(mnist): # 定义输入输出placeholder x = tf.placeholder(tf.float32, [BATCH_SIZE,# 第一维表示一个batch中样例的个数 IMAGE_SIZE, IMAGE_SIZE, # 第二维和第三维表示图片的尺寸 NUM_CHANNELS], # 第四维表示图片的深度，对于RGB格式的图片，深度为5 name='x-input') y_ = tf.placeholder(tf.float32, [None, OUTPUT_NODE], name='y-input') regularizer = tf.contrib.layers.l2_regularizer(REGULARAZTION_RATE) # 直接使用inference中定义的前向传播过程 y = inference(x, True, regularizer) global_step = tf.Variable(0, trainable=False) # 定义损失函数、学习率、滑动平均操作以及训练过程 variable_averages = tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY, global_step) variable_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, variable_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验证数据上的表现，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) reshaped_xs = np.reshape(xs, (BATCH_SIZE, IMAGE_SIZE, IMAGE_SIZE, NUM_CHANNELS)) _, loss_value, step = sess.run([train_op, loss, global_step], feed_dict={x: reshaped_xs, y_: ys}) # 每40轮保存一次模型 if i % 40 == 0: # 输出当前训练情况。这里只输出了模型在当前训练batch上的损失函数大小 # 通过损失函数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)) # 保存当前的模型。注意这里给出了global_step参数，这样可以让每个被保存模型的文件末尾加上训练的轮数 # 比如"model1.ckpt-41"表示训练41轮之后得到的模型 saver.save(sess, os.path.join(MODEL_SAVE_PATH, MODEL_NAME), global_step=global_step) def main(argv=None): mnist = input_data.read_data_sets("E:\\MNIST_data", one_hot=True) train(mnist) main() # if __name__ == '__main__': # main()
