MNIST數據集介紹:git
from tensorflow.examples.tutorials.mnist import input_data # 載入MNIST數據集,若是指定地址下沒有已經下載好的數據,tensorflow會自動下載數據 mnist=input_data.read_data_sets('.',one_hot=True) # 打印 Training data size:55000。 print("Training data size: {}".format(mnist.train.num_examples)) # 打印Validating data size:5000 print('Validating data size: {}'.format(mnist.validation.num_examples)) # 打印Testing data size:10000 print('Testing data size: {}'.format(mnist.test.num_examples)) # 打印Example training data: print('Example training data: {}'.format(mnist.train.images[0])) # 打印Example training data label: print('Example training data label: {}'.format(mnist.train.labels[0])) batch_size=100 xs,ys=mnist.train.next_batch(batch_size) # 從train集合中選取batch_size個訓練數據 print('X shape: {}'.format(xs.shape)) # 輸出:(100,784) print('Y shape: {}'.format(ys.shape)) # 輸出:(100,10)
一個完整的mnist手寫數字識別程序:算法
import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data # MNIST數據集相關的經常使用 INPUT_NODE=784 OUTPUT_NODE=10 # 配置神經網絡的參數 LAYER1_NODE=500 # 隱藏層節點個數 BATCH_SIZE=100 # 一個訓練batch中的數據個數。 LEARNING_RATE_BASE=0.8 # 基礎的學習率 LEARNING_RATE_DECAY=0.99 # 學習率的衰減率 REGULARIZATION_RATE=0.0001 # 描述模型複雜度的正則化項在損失函數中的系統 TRAINING_STEPS=30000 # 訓練輪數 MOVING_AVERAGE_DECAY=0.99 # 滑動平均衰減率 # 定義一個三層神經網絡。 def inference(input_tensor,avg_class,weights1,biases1,weights2,biases2): # 當沒有提供滑動平均類時,直接使用參數當前的取值。 if avg_class==None: # 計算隱藏層的前向傳播結果,這裏使用ReLU激活函數 layer1=tf.nn.relu(tf.matmul(input_tensor,weights1)+biases1) return tf.matmul(layer1,weights2)+biases2 else: # 首先使用avg_class.average函數來計算出變量的滑動平均值, # 而後再計算相應的神經網絡前向傳播結果 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)) # 訓練模型的過程 def train(mnist): x=tf.placeholder(tf.float32,shape=[None,INPUT_NODE],name='x-input') y_=tf.placeholder(tf.float32,shape=[None,OUTPUT_NODE],name='y-input') # 生成隱藏層的參數 weights1=tf.Variable(tf.truncated_normal([INPUT_NODE,LAYER1_NODE],stddev=0.1)) biases1=tf.Variable(tf.constant(0.1,shape=[LAYER1_NODE])) # 生成輸出層的參數 weights2=tf.Variable(tf.truncated_normal([LAYER1_NODE,OUTPUT_NODE],stddev=0.1)) biases2=tf.Variable(tf.constant(0.1,shape=[OUTPUT_NODE])) # 計算在當前參數下神經網絡前向傳播結果。這裏給出的用於計算滑動平均的類爲None, # 因此函數不會使用參數的滑動平均值。 y=inference(x,None,weights1,biases1,weights2,biases2) # 定義存儲訓練輪數的變量。該變量爲不可訓練變量(trainable=False) global_step=tf.Variable(0,trainable=False) # 給定滑動平均衰減率和訓練輪數的變量,初始化滑動平均類。給定訓練輪數的變量 # 能夠加快訓練早期變量的更新速度。 variable_averages=tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY,global_step) # 在全部表明神經網絡參數的變量上使用滑動平均。tf.trainable_variables返回的就是圖上集合 # GraphKeys.TRAINABLE_VARIABLES中的元素。這個集合的元素就是全部沒有指定 # trainable=False的參數。 variables_averages_op=variable_averages.apply(tf.trainable_variables()) # 計算使用了滑動平均以後的前向傳播結果。滑動平均不會改變變量自己的值,而是維護一個影子 # 變量來記錄其滑動平均值。因此當須要使用這個滑動平均值時,須要明確調用average函數 average_y=inference(x,variable_averages,weights1,biases1,weights2,biases2) # 使用交叉熵做爲損失函數。這裏使用 # sparse_softmax_cross_entropy_with_logits函數來計算交叉熵。由於標準答案是一個長度爲 # 10的一維數組,而該函數須要提供的是一個正確答案的數字,因此須要使用tf.argmax函數來 # 獲得正確答案對應的類別編號 cross_entropy=tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y,labels=tf.argmax(y_,1)) # 計算在當前batch中全部樣例的交叉熵平均值 cross_entropy_mean=tf.reduce_mean(cross_entropy) # 計算L2正則化損失函數 regularizer=tf.contrib.layers.l2_regularizer(REGULARIZATION_RATE) # 計算模型的正則化損失。通常只計算神經網絡邊上權重的正則化損失,而不使用偏置項 regularization=regularizer(weights1)+regularizer(weights2) # 總損失等於交叉熵損失和正則化損失的和 loss=cross_entropy_mean+regularization # 設置指數衰減的學習率。 learning_rate=tf.train.exponential_decay( LEARNING_RATE_BASE, # 基礎的學習率,隨着迭代的進行,更新變量時使用的學習率 # 在這個基礎上遞減 global_step, # 當前迭代的輪數 mnist.train.num_examples/BATCH_SIZE, # 過完全部的訓練數據須要的迭代次數 LEARNING_RATE_DECAY # 學習率衰減速度 ) # 使用tf.train.GradientDescentOptimizer優化算法來優化損失函數。這裏的損失函數 # 包含了交叉熵損失和L2正則化損失。 train_step=tf.train.GradientDescentOptimizer(learning_rate)\ .minimize(loss,global_step=global_step) # 在訓練神經網絡模型時,每過一遍數據既須要經過反向傳播來更新網絡中的參數, # 又要更新每個參數的滑動平均值。爲了一次完成多個操做,tensorflow提供了 # tf.control_dependencies和tf.group兩種機制。下面兩行程序和 # train_op=tf.group(train_step,variables_averages_op)是等價的。 with tf.control_dependencies([train_step,variables_averages_op]): train_op=tf.no_op(name='train') # 檢驗使用了滑動平均模型的神經網絡前向傳播結果是否正確。tf.argmax(average_y,1) # 計算每個樣例的預測答案。其中average_y是一個batch_size*10的二維數組,每一行 # 表示一個樣例的前向傳播結果。tf.argmax的第二個參數‘1’表示選取最大值的操做僅在 # 第一個維度中進行,也就是說,只在每一行選取最大值對應的下標。因而獲得的結果是 # 一個長度爲batch的覺得數組,這個一維數組中的值就表示了每個樣例對應的數字識別結果。 # tf.equal判斷兩個張量的每一維是否相等。 correct_prediction=tf.equal(tf.argmax(average_y,1),tf.argmax(y_,1)) accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) # 初始化會話並開始訓練過程。 with tf.Session() as sess: init_op=tf.global_variables_initializer() sess.run(init_op) # 準備驗證數據。通常在神經網絡的訓練過程當中會經過驗證數據來大體判斷中止的 # 條件和評判訓練的效果。 validate_feed={x:mnist.validation.images,y_:mnist.validation.labels} # 準備測試數據 test_feed={x:mnist.test.images,y_:mnist.test.labels} # 迭代的訓練神經網絡 for i in range(TRAINING_STEPS): # 每1000輪輸出一次在驗證數據集上的測試結果 if i%1000==0: validate_acc=sess.run(accuracy,feed_dict=validate_feed) print('After {} training step(s),validation accuracy' 'using average model is {}'.format(i,validate_acc)) # 產生這一輪使用的一個batch的訓練數據,並運行訓練過程。 xs,ys=mnist.train.next_batch(BATCH_SIZE) sess.run(train_op,feed_dict={x:xs,y_:ys}) # 在訓練結束後,在測試數據上檢測神經網絡模型的最終正確率 test_acc=sess.run(accuracy,feed_dict=test_feed) print('After {} training step(s), test accuracy using average ' 'model is {}'.format(TRAINING_STEPS,test_acc)) def main(argv=None): # 聲明處理MNIST數據集的類,這個類在初始化時會自動下載數據 mnist=input_data.read_data_sets('.',one_hot=True) train(mnist) # tensorflow 提供的一個主程序入口,tf.app.run會調用上面定義的main函數 if __name__=='__main__': tf.app.run()