MNIST数字识别TensorFlow最佳实现样例

1. 内容提要

本文给出一个完整的TensorFlow训练的神经网络模型程序来解决MNIST问题。并引入TensorFlow模型持久化机制，而且，将整个模型分为训练和测试部分，实现模块化。

此外，此神经网络运用了多种优化机制：正则化、衰减学习率、滑动平均。

涉及到知识点：

正则化
衰减学习率
滑动平均
TensorFlow神经网络模型持久化
前向传播
梯度下降（反向传播）

整个代码分为3个程序：

mnist_inference.py：定义了前向传播过程以及网络参数
mnist_train.py : 定义了神经网络的训练过程
mnist_eval.py : 定义了测试过程

下面分别介绍三个程序：

2. mnist_inference.py前向传播

import tensorflow as tf

# 定义相关参数
INPUT_NODE = 784
OUTPUT_NODE = 10
LAYEER1_NODE = 500

# 通过tf.get_variable函数来获取变量
def get_weight_variable(shape,regularizer):
    weights = tf.get_variable(
        "weights",shape,
        initializer=tf.truncated_normal_initializer(stddev=0.1)
    )
    if regularizer!=None:
        # 当加入正则化时，将当前变量的正则化损失加入名字为losses的集合。
        # 这里使用了add_to_collection函数将一个张量加入一个集合，
        # 这个集合的名称为Losses，这是自定义的集合，不在TensorFlow自动管理的集合列表中
        tf.add_to_collection("losses",regularizer(weights))
    return weights

# 定义前向传播过程
def inference(input_tensor,regularizer):

    with tf.variable_scope('layer1'):
        weights = get_weight_variable(
            [INPUT_NODE,LAYEER1_NODE],regularizer
        )
        biases = tf.get_variable(
            "biases",[LAYEER1_NODE],
            initializer=tf.constant_initializer(0.0)
        )
        layer1 = tf.nn.relu(tf.matmul(input_tensor, weights) + biases)

    with tf.variable_scope('layer2'):
        weights = get_weight_variable(
            [LAYEER1_NODE,OUTPUT_NODE],regularizer
        )
        biases = tf.get_variable(
            "biases",[OUTPUT_NODE],
            initializer=tf.constant_initializer(0.0)
        )
        layer2 = tf.matmul(layer1, weights) + biases
    return layer2

前向传播，定义了两层神经网络，很简单。

3. mnist_train.py训练过程

import os
import tensorflow as tf
# 加载定义好的前向传播模块
import mnist_inference

# 加载数据集
from tensorflow.examples.tutorials.mnist import input_data

# 配置网络参数
BATCH_SIZE = 100
LEARNING_RATE_BASE = 0.8
LEARNING_RATE_DECAY = 0.99
REGULARAZTION_RATE = 0.001
TRAINING_STEPS = 20000
MOVING_AVERAGE_DECAY = 0.99
# 模型保存的路径和文件名
MODEL_SAVE_PATH = "E:/pycharm2016_3_2/pycharmWorkplace/tensorflow_test/model"
MODEL_NAME = 'model.ckpt'

def train(mnist):
    x = tf.placeholder(
        tf.float32,[None,mnist_inference.INPUT_NODE],name='x-input'
    )
    y_ = tf.placeholder(
        tf.float32,[None,mnist_inference.OUTPUT_NODE],name='y-input'
    )
    # 正则化
    regularizer = tf.contrib.layers.l2_regularizer(REGULARAZTION_RATE)
    # 直接使用前向传播算法
    y = mnist_inference.inference(x,regularizer)
    # 记录迭代的步数
    global_step = tf.Variable(0,trainable=False)
    # 滑动平均操作
    variable_averages = tf.train.ExponentialMovingAverage(
        MOVING_AVERAGE_DECAY,global_step
    )
    variable_averages_op = variable_averages.apply(tf.trainable_variables())
    # 损失
    cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=tf.argmax(y_,1),logits=y)
    # 平均损失
    cross_entropy_mean = tf.reduce_mean(cross_entropy)
    # 加上正则化的损失(见前向传播tf.add_to_collection("losses",regularizer(weights)))-->最终损失
    loss = cross_entropy_mean + tf.add_n(tf.get_collection('losses'))
    # 学习率的变化
    learning_rate = tf.train.exponential_decay(
        LEARNING_RATE_BASE,
        global_step,
        mnist.train.num_examples/BATCH_SIZE,
        LEARNING_RATE_DECAY
    )
    # 训练，梯度下降
    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:
        # 初始化话参数
        tf.global_variables_initializer().run()
        # 训练
        for i in range(TRAINING_STEPS):
            # 加载一个批次数据
            xs,ys = mnist.train.next_batch(BATCH_SIZE)
            # run
            _,loss_value,step = sess.run([train_op,loss,global_step],feed_dict={x:xs,y_:ys})
            # 每隔1000步统计一下损失率
            if i% 1000 == 0:
                # %g 浮点数字(根据值的大小采用%e或%f)，%e科学计数法，%f浮点数
                print('after %d training steps, loss on training batch is %g.' % (step,loss_value))
                # 每隔1000步保存一次模型
                saver.save(
                    sess,os.path.join(MODEL_SAVE_PATH,MODEL_NAME),global_step=global_step
                )

def main(argv=None):
    # 这个路径../mnist/data可以随便写，没有数据的话它会自动下载
    mnist = input_data.read_data_sets('../mnist/data',one_hot=True)
    train(mnist)

if __name__ == '__main__':
    tf.app.run()

注意点：

windows下，保存模型的路径必须是绝对路径，否则报错。亲测是酱紫。保存后的模型如下：

这里是每隔1000步保存一次，tensorflow默认设置是最多保存5个，如果到第6个，则把第一个删了。因此，最终只会保留最后5个最新的模型数据。
- 对于 tf.add_n(tf.get_collection('losses'))，就是把保存到集合中的losses加起来而已。tf.add_n()的用法参考这篇文章
- 这段代码：

    with tf.control_dependencies([train_step,variable_averages_op]):
        train_op = tf.no_op(name='train')

就是将训练和滑动平均两个操作依赖到一起而已。具体参考这篇文章

4. mnist_eval.py测试过程

import time
import tensorflow as tf

from tensorflow.examples.tutorials.mnist import input_data

# 加载mnist_inference.py和mnist_train.py中定义的常量和函数
import mnist_inference
import mnist_train

# 每10秒加载一次模型
EVAL_INTERVAL_SECS = 10

def evaluate(mnist):
    with tf.Graph().as_default() as g:
        # 定义输入输出
        x = tf.placeholder(tf.float32,[None,mnist_inference.INPUT_NODE],name='x-input')
        y_= tf.placeholder(tf.float32,[None,mnist_inference.OUTPUT_NODE],name='y-input')
        # 真正的测试数据
        validate_feed = {
            x:mnist.validation.images,
            y_:mnist.validation.labels
        }
        # 前向传播，得到预测值[?,10]
        y = mnist_inference.inference(x,None)

        # 预测值，取前15个为例
        predict = tf.argmax(y,1)[0:15]
        # 真实值
        real = tf.argmax(y_,1)[0:15]
        # 正确率
        correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1))
        # tf.reduce_mean求平均值
        accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

        # 加载滑动平均操作
        variables_averages = tf.train.ExponentialMovingAverage(mnist_train.MOVING_AVERAGE_DECAY)
        variables_to_restore = variables_averages.variables_to_restore()
        saver = tf.train.Saver(variables_to_restore)# 得到持久化类

        while True:
            with tf.Session() as sess:
                # tf.train.get_checkpoint_state函数会通过checkpoint文件自动
                # 找到目录中最新模型的文件名
                ckpt = tf.train.get_checkpoint_state(mnist_train.MODEL_SAVE_PATH)
                if ckpt and ckpt.model_checkpoint_path:
                    # 加载模型
                    saver.restore(sess,ckpt.model_checkpoint_path)
                    # 通过文件名得到保存时迭代的轮数
                    print(ckpt.model_checkpoint_path)# 打印一下文件名
                    # 字符串操作，截取到步数
                    global_step = ckpt.model_checkpoint_path.split('/')[-1].split('-')[-1]
                    # 计算准确率
                    accuracy_score = sess.run(accuracy,feed_dict=validate_feed)
                    print('after %s training step(s), validation accuracy = %g '%(global_step,accuracy_score))
                    # 计算预测值，取前15个值作为示范
                    prediction = sess.run(predict, feed_dict=validate_feed)
                    # 真实值，与预测值对照
                    real_value  = sess.run(real,feed_dict=validate_feed)
                    print('after %s training step(s), validation prediction is '%(global_step),prediction,' real value is',real_value)
                else:
                    print('no checkpoint file found')
                    return

            time.sleep(EVAL_INTERVAL_SECS)

def main(argv=None):
    # 这个路径../mnist/data可以随便写，没有数据的话它会自动下载
    mnist = input_data.read_data_sets('../mnist/data',one_hot=True)
    evaluate(mnist)

if __name__ == '__main__':
    tf.app.run()

运行结果：
测试过程运行结果
由结果可见，每次加载的模型都是最新的模型，也就是第训练了19001步得到的模型。因为我这个程序是训练文件执行完后才执行的测试文件，所以它每次都加载最后一次保存的模型了。

实际上，这个程序应该是训练和测试同时运行的。这样就可以看出每隔10秒种，测试的不同结果了。

参考文章
https://blog.csdn.net/PKU_Jade/article/details/73498753
https://blog.csdn.net/uestc_c2_403/article/details/72808839
《Tensorflow+实战Google深度学习框架》

MNIST数字识别TensorFlow最佳实现样例

1. 内容提要

2. mnist_inference.py前向传播

3. mnist_train.py训练过程

4. mnist_eval.py测试过程

猜你喜欢