TensorFlow学习笔记（三）MNIST数字识别问题

一、MNSIT数据处理

MNSIT是一个非常有名的手写体数字识别数据集。包含60000张训练图片，10000张测试图片。每张图片是28X28的数字。

TonserFlow提供了一个类来处理　　MNSIT数据。这个类会自动下载并转化数据结构。

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist_data = input_data.read_data_sets("mnist_set",one_hot=True)
# print training data size
print("training_data_size",mnist_data.train.num_examples)
# print validation data size
print("validating_data_size",mnist_data.validation.num_examples)
#print testing data size
print("testing data size",mnist_data.test.num_examples)
print("example train image :",mnist_data.train.images[0])
print("example train label :",mnist_data.train.labels[0])

为了方便使用随机梯度下降，

input_data.read_data_sets还提供train.next_batch函数

batch_size = 100
train_x ,train_y = mnist_data.train.next_batch(batch_size)
print("X_shape",train_x.shape)
print("Y_shape",train_y.shape)

##
#X_shape (100, 784)
#Y_shape (100, 10)

二、神经网络模型训练及不同模型效果的对比

1.TF训练神经网络

利用上一篇介绍的方法搭建网络。

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("mnist_set",one_hot=True)
#数据集相关常数
INPUT_NODE = 784
OUTPU_NODE = 10
#配置神经网络参数
LAYER1_NODE = 500
BATCH_SIZE = 100
LEARNING_RATE_BASE = 0.8 #基础学习率
LEARNING_RATE_DECAY = 0.99#学习衰减率
REGULARIZATION_RATE = 0.0001#正则的惩罚系数
MOVE_AVG_RATE = 0.99 #滑动平均衰减率
TRAIN_STEPS = 30000


def inference(input_tensor,weights1,biases1,weight2,biases2,avg_class=None):
    #当没有提供滑动平均类时，直接使用当前值
    if avg_class == None:
        #计算隐藏层的前向传播结果，使用RELU激活函数
        layer1 = tf.nn.relu(tf.matmul(input_tensor,weights1)+biases1)
        #返回输出层的前向传播
        return tf.matmul(layer1,weight2)+ biases2
    else:
        #前向传播之前，用avg——class计算出变量的滑动平均值
        layer1 = tf.nn.relu(tf.matmul(input_tensor,avg_class.average(weights1))+avg_class.average(biases1))
        return tf.matmul(layer1,avg_class.average(weight2))+ avg_class.average(biases2)
#模型的训练过程
def train(mnist):
    x = tf.placeholder(tf.float32,[None,INPUT_NODE],name='x-input')
    y_ = tf.placeholder(tf.float32,[None,OUTPU_NODE],name="y_input")

    #隐藏层参数
    w1 = tf.Variable(tf.random_normal([INPUT_NODE,LAYER1_NODE],stddev=0.1))
    b1 = tf.Variable(tf.constant(0.1,shape=[LAYER1_NODE]))
    #输出层参数
    w2 = tf.Variable(tf.random_normal([LAYER1_NODE,OUTPU_NODE],stddev=0.1))
    b2 = tf.Variable(tf.constant(0.1,shape=[OUTPU_NODE]))
    y = inference(x,w1,b1,w2,b2)
    #定义存储训练轮数的变量，设为不可训练
    global_step = tf.Variable(0,trainable=False)
    #初始化滑动平均类
    variable_averages = tf.train.ExponentialMovingAverage(MOVE_AVG_RATE,global_step)
    #在神经网络的所有参数变量上使用滑动平均
    variable_averages_op = variable_averages.apply(tf.trainable_variables())
    averages_y = inference(x,w1,b1,w2,b2,avg_class=variable_averages)
    #计算交叉熵损失
    cross_entropy = tf.nn.softmax_cross_entropy_with_logits(logits=y,labels=tf.argmax(y_,1))
    #计算交叉熵平均值
    cross_entropy_mean = tf.reduce_mean(cross_entropy)
    #计算L2正则的损失函数
    regularizer = tf.contrib.layers.l2_regularizer(REGULARIZATION_RATE)
    regularization = regularizer(w1)+ regularizer(w2)
    #总的损失
    loss = cross_entropy_mean + regularization

    #设置指数衰减的学习率
    training_rate = tf.train.exponential_decay(LEARNING_RATE_BASE,global_step,mnist.train.num_examples/BATCH_SIZE,LEARNING_RATE_DECAY)
    train_step = tf.train.GradientDescentOptimizer(training_rate).minimize(loss,global_step)
    #更新滑动平均值
    with tf.control_dependencies([train_step,variable_averages_op]):
        train_op = tf.no_op(name='train')

    #验证前向传播结果是否正确
    correct_prediction = tf.equal(tf.argmax(averages_y,1),tf.argmax(y_,1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

    #初始会话，开始训练
    with tf.Session() as sess:
        tf.global_variables_initializer().run()
        #准备验证数据和测试数据
        validate_feed = {x:mnist.validation.images,y_: mnist.validation.labels}
        test_feed = {x:mnist.test.images,y_: mnist.test.labels}
        #迭代训练神经网络
        for i in range(TRAIN_STEPS):
            if i % 1000 == 0:
                validate_acc = sess.run(accuracy,feed_dict=validate_feed)
                print("After %s training steps ,validation accuracy is %s"%(i,validate_acc))
            xs,ys = mnist.train.next_batch(BATCH_SIZE)
            sess.run(train_op,feed_dict={x:xs,y_:ys})
        #训练结束后，在测试集上验证准确率
        test_acc =  sess.run(accuracy,test_feed)
        print("After %s training steps ,test accuracy is %s"%(TRAIN_STEPS,test_acc))

def main(argv=None):
    mnist = input_data.read_data_sets("mnist_set",one_hot=True)
    train(mnist)
if __name__ == '__main__':
    #TF 提供了一个主程序入口，tf.app.run会自动调用上面的main（）
    tf.app.run()

 2.使用验证数据集判断模型效果

为了评判不同网络在不同参数下的效果，一般从训练数据中抽取一部分作为验证数据，使用验证数据可以评判不同参数下模型的表现。除了使用验证数据，还可以使用交叉验证的方式。

三、变量管理

TensorFlow提供了一个通过变量名称来创建或者获取变量的机制。通过这个机制可以，在不同的函数中可以通过变量的名字来使用变量。通过变量名称来获取变量的函数是

tf.get_variable和tf.variable_scope.

tf.get_variable除了获取变量，还具有与tf.Variable相似的功能。均可用来创建变量。

#下面两个定义是等价的
v = tf.Variable(tf.constant(1.0,shape=[1]),name="v")
v = tf.get_variable(name="v",shape=[1],initializer=tf.constant_initializer(1.0))

TF提供了7中不同的初始化函数

tf.get_variable和tf.Variable最大的区别在于指定变量名称的参数，tf.Variable的变量名称是可选参数，tf.get_variable的变量名称是必填参数。

如果需要通过tf.get_variable获取一个已经创建的变量，需要通过tf.variable_scope来创建一个上下文管理器，

with tf.variable_scope("foo"):
    v = tf.get_variable("v",[1],initializer=tf.constant_initializer(1.0))
#如果命名空间foo中已经存在了v，这会报错
#ValueError: Variable foo/v already exists, disallowed. Did you mean to set reuse=True or reuse=tf.AUTO_REUSE in VarScope?

#在声明上下文管理器的时候，直接将reuse设为True，tf。get_variable则会直接获取已经存在的变量，但设为true的时候tf。get_variable不能创建变量
with tf.variable_scope("foo",reuse=True):
    v1 = tf.get_variable("v",[1])

TensorFlow中tf.variable_scope函数可以嵌套。

with tf.variable_scope("root",reuse=True):
    print(tf.get_variable_scope().reuse) #True
    with tf.variable_scope("bar",reuse=False):
        print(tf.get_variable_scope().reuse) #True 与外层的保持一致
        with tf.variable_scope("foo",reuse=False):
            print(tf.get_variable_scope().reuse) #即使指定了reuse，也会保持与外层一致
        print(tf.get_variable_scope().reuse)
    print(tf.get_variable_scope().reuse)

with tf.variable_scope("root"):
    print(tf.get_variable_scope().reuse) #false
    with tf.variable_scope("bar",reuse=True):
        print(tf.get_variable_scope().reuse)  #true
        with tf.variable_scope("foo"):
            print(tf.get_variable_scope().reuse) #true
        print(tf.get_variable_scope().reuse) #true
    print(tf.get_variable_scope().reuse) #false

利用tf.get_variable和tf.variable_scope来改进我们MNIST的程序

def inference(input_tensor,avg_class=None,reuse = False):
    #当没有提供滑动平均类时，直接使用当前值
    if avg_class == None:
        #计算隐藏层的前向传播结果，使用RELU激活函数
        with tf.variable_scope("layer1",reuse=reuse):
            weight = tf.get_variable("weight",shape=[INPUT_NODE,LAYER1_NODE],initializer=tf.truncated_normal_initializer(stddev=0.1))
            biases = tf.get_variable("biases",shape=[LAYER1_NODE],initializer=tf.constant_initializer(0.0))
            layer1 = tf.nn.relu(tf.matmul(input_tensor,weight)+biases)
        #返回输出层的前向传播
        with tf.variable_scope("layer2",reuse=reuse):
            weight = tf.get_variable("weight",shape=[LAYER1_NODE,OUTPU_NODE],initializer=tf.truncated_normal_initializer(stddev=0.1))
            biases = tf.get_variable("biases",shape=[OUTPU_NODE],initializer=tf.constant_initializer(0.0))
            layer2 = tf.nn.relu(tf.matmul(layer1,weight)+biases)
        return layer2
    else:
        #前向传播之前，用avg——class计算出变量的滑动平均值
        with tf.variable_scope("layer1",reuse=reuse):
            weight = tf.get_variable("weight",shape=[INPUT_NODE,LAYER1_NODE],initializer=tf.truncated_normal_initializer(stddev=0.1))
            biases = tf.get_variable("biases",shape=[LAYER1_NODE],initializer=tf.constant_initializer(0.0))
            layer1 = tf.nn.relu(tf.matmul(input_tensor,avg_class.average(weight))+avg_class.average(biases))
        #返回输出层的前向传播
        with tf.variable_scope("layer2",reuse=reuse):
            weight = tf.get_variable("weight",shape=[LAYER1_NODE,OUTPU_NODE],initializer=tf.truncated_normal_initializer(stddev=0.1))
            biases = tf.get_variable("biases",shape=[OUTPU_NODE],initializer=tf.constant_initializer(0.0))
            layer2 = tf.nn.relu(tf.matmul(layer1,avg_class.average(weight))+avg_class.average(biases))
        return layer2

四、模型的持久化

之前给出的样例代码在训练完成之后就直接退出，并没有将训练得到的模型保存下来。TF提供了模型的持久化，还可以从持久化的模型文件中还原被保存的模型。

1、模型持久化的代码实现

TensorFlow提供了一个简单的API（tf.train.Saver）来保存模型。

v1 = tf.Variable(tf.constant(1.0,shape=[1],name="v1"))
v2 = tf.Variable(tf.constant(2.0,shape=[1],name="v2"))
result = v1 + v2
init_op = tf.global_variables_initializer()
#声明tf.train.Saver类用于保存模型
saver = tf.train.Saver()

with tf.Session() as sess:
    sess.run(init_op)
    #将模型保存到model。ckpt文件中
    saver.save(sess,"Model/model.ckpt")

 

 

加载保存的模型

v1 = tf.Variable(tf.constant(1.0,shape=[1],name="v1"))
v2 = tf.Variable(tf.constant(2.0,shape=[1],name="v2"))
result = v1 + v2
# init_op = tf.global_variables_initializer()
#声明tf.train.Saver类用于保存模型
saver = tf.train.Saver()

with tf.Session() as sess:
    # sess.run(init_op)
    #将模型保存到model。ckpt文件中
    saver.restore(sess,"Model/model.ckpt")
    print(sess.run(result))

这里加载模型的代码和保存模型的代码基本一致，也需要先定义计算图模型的运算只是没有运行变量初始化。如果不希望重复定义图上的运算，也可以直接加载已经持久化的图。TensorFlow提供了这样的方法tf.train.import_meta_graph

#直接加载持久化计算图
saver = tf.train.import_meta_graph("Model/model.ckpt.meta")

with tf.Session() as sess:

    saver.restore(sess,"Model/model.ckpt")
    #通过张量的名称来获取张量
    print(sess.run(tf.get_default_graph().get_tensor_by_name("add:0")))

上面的程序，默认保存或加载了TF计算图中的全部变量。但有时只需要保存或加载部分变量。在声明tf.train.Saver类时可以提供一个列表来制定需要保存或加载的变量。例如

tf.train.Saver([v1]).

除了选择需要加载的变量，tf.train.Saver还支持在保存或加载时给变量重命名。

#保存模型

v1 = tf.Variable(tf.constant(1.0,shape=[1],name="outer_v1"))
v2 = tf.Variable(tf.constant(2.0,shape=[1],name="outer_v2"))
result = v1 + v2
init_op = tf.global_variables_initializer()
#声明tf.train.Saver类用于保存模型
saver = tf.train.Saver([v1,v2])
with tf.Session() as sess:
    sess.run(init_op)
    saver.save(sess,"Model/model.ckpt")




#加载模型
v1 = tf.Variable(tf.constant(1.0,shape=[1],name="outer_v1"))
v2 = tf.Variable(tf.constant(2.0,shape=[1],name="outer_v2"))
saver = tf.train.Saver({"v1":v1,"v2":v2})