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。

MNIST Digits

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})

 

发布评论

分享到:

IT虾米网

微信公众号号:IT虾米 (左侧二维码扫一扫)欢迎添加!

TensorFlow学习笔记(二)深层神经网络详解
你是第一个吃螃蟹的人
发表评论

◎欢迎参与讨论,请在这里发表您的看法、交流您的观点。