《TensorFlow实战笔记》 MINST数字识别问题-简单的神经网络实现 - 好文

IDE：pycharm
Python: Python3.6
OS: win10

代码和数据集全都上传github

DL-tenserflow/MINST_TheNeuralNetwork/
<https://github.com/chehongshu/DL-tenserflow/tree/master/MINST_TheNeuralNetwork>
欢迎star 谢谢。

##前提知识的储备

* 损失函数，优化算法，反向训练和拟合等概念
* 神经网络的前向传播算法及tf的代码实现
* 加入正则化损失可以防止过拟合
* 利用指数衰减的学习率进行学习，可以加快更好的收敛
* 激活函数使前向传播算法结果非线性化，可以解决更加复杂的问题
（这些都是比较基本的深度学习的知识，今后我也会总结讲到）
##数据集准备
1.代码方式 from tensorflow.examples.tutorials.mnist import input_data #读取数据
tf会自动在网站下载这个数据集 MNIST =input_data.read_data_sets('./MINST_data', one_hot=True)
但是往往会报错

2.解决方案，直接创建文件夹，在网址下载数据集MINST数据集 <http://yann.lecun.com/exdb/mnist/>手动放置

四个数据集全都下载下来，放置到程序文件中如下图所示

这个数据集很常见，具体详细信息，自行百度，这里指简单介绍

每个数字由28*28的像素组成，前景为0-1之间的数字，背景为0
很好想到这个里对图片的处理就是将像素变为一个一维的向量
成功获取读取数据集如下图

##数据集的划分
此数据集分为训练集，验证集和测试集（一般数据集都是这么划分的）
训练集：顾名思义和机器学习一样用来训练参数的，这里是神经网络的weight（权重）和biases（偏置）
验证集：就是每次一个batch训练完之后进行验证此时模型，给训练一个更好的反馈
测试集：和机器学习也一样，就是对训练好的模型，进行一个模型测试

##完整程序
程序有详细的注释
""" @Author:Che_Hongshu @Modify:2018.2.17 """ import tensorflow as tf from
tensorflow.examples.tutorials.mnist import input_data INPUT_NODE = 784 #输入层的节点数
OUTPUT_NODE = 10 #输出层的节点数 LAYER1_NODE = 500 #隐藏层节点数 BATCH_SIZE = 100
#一个训练batch中的训练数据个数 LEARNING_RATE_BASE = 0.8 #基础的学习率 LEARNING_RATE_DECAY = 0.99
#学习率的衰减率 REGULARIZATION_RATE = 0.0001 #正则化的系数 TRAINING_STEPS = 30000 #训练轮数
MOVING_AVERAGE_DECAY = 0.99 #滑动平均衰减率 """ 函数说明: 计算神经网络的前向传播的结果 Parameters:
input_tensor-输入的张量 avg_class-计算平均值的类-用于滑动平均模型 weights1-隐藏层的权重参数
biases1-隐藏层的偏置参数 weights2-输出层的权重参数 biases2-输出层的偏置参数 Returns: 神经网络前向传播的结果 CSDN:
http://blog.csdn.net/qq_33431368 Modify: 2018-2-18 """ 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) """ 函数说明: 训练模型
Parameters: mnist-数据集 Returns: 神经网络前向传播的结果 CSDN:
http://blog.csdn.net/qq_33431368 Modify: 2018-2-18 """ def train(mnist):
#定义读入输入输出数据的地方 x = tf.placeholder(tf.float32, [None, INPUT_NODE],
name='x-input') #定义输入的数据的地方 y_= tf.placeholder(tf.float32, [None, OUTPUT_NODE],
name='y-input') #定义输出数据的地方 #定义隐藏层的参数， W1和b1 weights1 =
tf.Variable(tf.truncated_normal([INPUT_NODE, LAYER1_NODE],
stddev=0.1))#正态分布的数据，方差为0.1 biases1 = tf.Variable(tf.constant(0.1,
shape=[LAYER1_NODE])) #常量0.1 #定义输出层的参数 W2和b2 weights2 =
tf.Variable(tf.truncated_normal([LAYER1_NODE, OUTPUT_NODE], stddev=0.1))
biases2 = tf.Variable(tf.constant(0.1, shape=[OUTPUT_NODE])) #常量0.1 #前向传播的结果 y
= inference(x, None, weights1, biases1, weights2, biases2) #定义存储训练轮数的变量
global_step = tf.Variable(0, trainable=False) #定义一个滑动平均的类 variables_averages =
tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY, global_step)
#定义一个更新变量滑动平均的操作除了 trainable = False的变量 variables_averages_op =
variables_averages.apply(tf.trainable_variables()) #计算使用滑动平均之后的前向传播结果 average_y
= inference(x, variables_averages, weights1, biases1, weights2, biases2) #计算交叉熵
sparse_softmax_cross_entropy_with_logits的引用需要明确 logits= labels= cross_entropy =
tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y, labels=tf.argmax(y_,
1)) #计算当前batch的所有样例的交叉熵平均值 cross_entropy_mean = tf.reduce_mean(cross_entropy)
#正则化，防止过拟合， L2 regularizer =
tf.contrib.layers.l2_regularizer(REGULARIZATION_RATE) #计算正则化损失 regularization =
regularizer(weights1)+regularizer(weights2) #总损失=交叉熵损失+正则化损失 loss =
cross_entropy_mean + regularization #设置衰减的学习率 learning_rate =
tf.train.exponential_decay( LEARNING_RATE_BASE,#基础学习率 global_step,#当前迭代的次数
mnist.train.num_examples/BATCH_SIZE, LEARNING_RATE_DECAY# 学习率的衰减速度 ) #定义优化算法
train_step =
tf.train.GradientDescentOptimizer(learning_rate).minimize(loss,global_step=global_step)
#更新每个参数的滑动平均值 with tf.control_dependencies([train_step,
variables_averages_op]): train_op = tf.no_op(name='train')
#tf.argmax(average_y,1) 返回的为每一行的最大值的索引 #验证使用滑动平均模型的前向传播的结果是否正确相同返回TURE
不相同返回False correct_prediction = tf.equal(tf.argmax(average_y, 1), tf.argmax(y_,
1)) #正确率 tf.cast 将 TURE和FALSE 转换成float32类型的 1.0 0.0 #计算平均值就为这组数据的正确率 accuracy =
tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) with tf.Session() as
sess: tf.global_variables_initializer().run() #准备验证数据
#一般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} #准备测试集。作为模型优劣的最后评价标准
test_feed = {x: mnist.test.images, y_: mnist.test.labels} #迭代的训练神经网络 for i in
range(TRAINING_STEPS): if i % 1000 == 0: validate_acc = sess.run(accuracy,
feed_dict=validate_feed) print("After %d training step,validation acc" "using
average model is %g"%(i, validate_acc)) xs, ys =
mnist.train.next_batch(BATCH_SIZE) sess.run(train_op, feed_dict={x: xs, y_:
ys}) test_acc = sess.run(accuracy, feed_dict=test_feed) print("After %d
steps,test accuracy" " using average model is %g"%(TRAINING_STEPS, test_acc))
def main(argv=None): MNIST =input_data.read_data_sets('./MINST_data',
one_hot=True) # 读取数 train(MNIST) if __name__ == '__main__': tf.app.run()
大概等个几分钟就训练好了，因为数据集比较小

热门工具换一换