【TensorFlow】读《实战Google深度学习框架》笔记00

脑子

第5章：MNIST数字识别问题
======================================================

代码如下：
0.导入模块：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

1.配置参数

INPUT_NODE = 784     # 输入节点
OUTPUT_NODE = 10     # 输出节点
LAYER1_NODE = 500    # 隐藏层节点数                                     
BATCH_SIZE = 100     # 每次batch打包的样本个数        

# 模型相关的参数
LEARNING_RATE_BASE = 0.8      #基础学习率
LEARNING_RATE_DECAY = 0.99    #学习率的衰减率
REGULARAZTION_RATE = 0.0001   #正则化项在损失函数中的系数
TRAINING_STEPS = 5000        #训练轮数
MOVING_AVERAGE_DECAY = 0.99         #滑动平均衰减率

2.辅助函数：用于让我们输入神经网络中的输入和所有参数，并计算神经网络中的前向传播结果。

def inference(input_tensor, avg_class, weights1, biases1, weights2, biases2):        #input_tensor：输入；avg_class：是否使用滑动平滑；
    # 不使用滑动平均类
    if avg_class == None:
        layer1 = tf.nn.relu(tf.matmul(input_tensor, weights1) + biases1)
        return tf.matmul(layer1, weights2) + biases2
    else:
        # 使用滑动平均类
        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)  

计算损失函数时会一并计算softmax函数，这里只是对参数的结果输出，不需要计算softmax。

“softmax function is a generalization of the logistic function that maps a length-p vector of real values to a length-K vector of values”

意思是：softmax函数是逻辑函数的一个推广，它将一个有实值的长度为p的向量映射到一个长度为k的向量上。
softmax层是一个额外层，将结果转换为概率分布。

3.定义训练过程

def train(mnist):
    x = tf.placeholder(tf.float32, [None, INPUT_NODE], name='x-input')
    y_ = tf.placeholder(tf.float32, [None, OUTPUT_NODE], name='y-input')
    # 生成隐藏层的参数。
    weights1 = tf.Variable(tf.truncated_normal([INPUT_NODE, LAYER1_NODE], stddev=0.1))
    biases1 = tf.Variable(tf.constant(0.1, shape=[LAYER1_NODE]))
    # 生成输出层的参数。
    weights2 = tf.Variable(tf.truncated_normal([LAYER1_NODE, OUTPUT_NODE], stddev=0.1))
    biases2 = tf.Variable(tf.constant(0.1, shape=[OUTPUT_NODE]))

    # 计算不含滑动平均类的前向传播结果
    y = inference(x, None, weights1, biases1, weights2, biases2)
    
    # 定义训练轮数及相关的滑动平均类 
    global_step = tf.Variable(0, trainable=False)
    variable_averages = tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY, global_step) #该函数用于采用滑动平均的方法更新参数，给定衰减率和训练轮数
    variables_averages_op = variable_averages.apply(tf.trainable_variables()) #定义一个更新变量的操作；在所有除辅助变量（如trainable=false的globel_step）上使用滑动平均
    average_y = inference(x, variable_averages, weights1, biases1, weights2, biases2) #计算含滑动平均类的前向传播结果
    
    # 计算交叉熵及其平均值
    cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(y, tf.argmax(y_, 1) ) #计算交叉熵作为预测值与真实值之间差距的损失函数；
                                                                                                                                             #argmax(y_, 1)函数用于按行取最大值的下标
    cross_entropy_mean = tf.reduce_mean(cross_entropy) #batch中所有交叉熵平均值
    
    # 损失函数的计算（使用L2正则化损失函数->避免过拟合）
    regularizer = tf.contrib.layers.l2_regularizer(REGULARAZTION_RATE)
    regularaztion = regularizer(weights1) + regularizer(weights2) #记做：R(W)；通常只正则化权重不正则化偏置项b
    loss = cross_entropy_mean + regularaztion #总损失=交叉熵损失+正则化损失
    
    # 设置指数衰减的学习率。
    learning_rate = tf.train.exponential_decay(
        LEARNING_RATE_BASE, #初始学习率
        global_step, #当前轮数
        mnist.train.num_examples / BATCH_SIZE, #batch的个数
        LEARNING_RATE_DECAY, #学习率衰减速度
        staircase=True)
    
    # 优化损失函数（梯度下降）
    train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss, global_step=global_step)
    
    # 反向传播更新参数和更新每一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')

    # 计算正确率
    correct_prediction = tf.equal(tf.argmax(average_y, 1), tf.argmax(y_, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    
    # 初始化会话，并开始训练过程。
    with tf.Session() as sess:
        tf.global_variables_initializer().run()
        validate_feed = {x: mnist.validation.images, y_: mnist.validation.labels}
        test_feed = {x: mnist.test.images, y_: mnist.test.labels} 
        
        # 循环的训练神经网络。
        for i in range(TRAINING_STEPS):
            if i % 1000 == 0:
                validate_acc = sess.run(accuracy, feed_dict=validate_feed)
                print("After %d training step(s), validation accuracy 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 training step(s), test accuracy using average model is %g" %(TRAINING_STEPS, test_acc)))
   

ps.滑动平均模型：
在使用随机梯度下降模型时，使用滑动平均模型可以使模型在测试数据上更健壮。
ExponentialMovingAverage对每一个变量variable维护一个影子变量shadow_variable：
shadow_variable=decay*shadow_variable+(1-decay)*variable
其中：decay为衰减率。

5.主程序入口

def main(argv=None):
    mnist = input_data.read_data_sets("../../../datasets/MNIST_data", one_hot=True)
    train(mnist)

if __name__=='__main__':
    main()

vcbeaut

楼主，深度学习怎么样了？

脑子

vcbeaut 发表于 2019-1-6 20:40
楼主，深度学习怎么样了？

楼主快猝死了

DavidCT

脑子 发表于 2019-1-25 17:39
楼主快猝死了

学的咋样了

DavidCT

学习的咋样了？