【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：

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

复制代码

1.配置参数

1. INPUT_NODE = 784     # 输入节点
   
2. OUTPUT_NODE = 10     # 输出节点
   
3. LAYER1_NODE = 500    # 隐藏层节点数                                    
   
4. BATCH_SIZE = 100     # 每次batch打包的样本个数        
   
5. 
   
6. # 模型相关的参数
   
7. LEARNING_RATE_BASE = 0.8      #基础学习率
   
8. LEARNING_RATE_DECAY = 0.99    #学习率的衰减率
   
9. REGULARAZTION_RATE = 0.0001   #正则化项在损失函数中的系数
   
10. TRAINING_STEPS = 5000        #训练轮数
    
11. MOVING_AVERAGE_DECAY = 0.99         #滑动平均衰减率

复制代码

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。

1. def inference(input_tensor, avg_class, weights1, biases1, weights2, biases2):        #input_tensor：输入；avg_class：是否使用滑动平滑；
   
2.     # 不使用滑动平均类
   
3.     if avg_class == None:
   
4.         layer1 = tf.nn.relu(tf.matmul(input_tensor, weights1) + biases1)
   
5.         return tf.matmul(layer1, weights2) + biases2
   
6.     else:
   
7.         # 使用滑动平均类
   
8.         layer1 = tf.nn.relu(tf.matmul(input_tensor, avg_class.average(weights1)) + avg_class.average(biases1))
   
9.         return tf.matmul(layer1, avg_class.average(weights2)) + avg_class.average(biases2)  

复制代码

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

1. def train(mnist):
   
2.     x = tf.placeholder(tf.float32, [None, INPUT_NODE], name='x-input')
   
3.     y_ = tf.placeholder(tf.float32, [None, OUTPUT_NODE], name='y-input')
   
4.     # 生成隐藏层的参数。
   
5.     weights1 = tf.Variable(tf.truncated_normal([INPUT_NODE, LAYER1_NODE], stddev=0.1))
   
6.     biases1 = tf.Variable(tf.constant(0.1, shape=[LAYER1_NODE]))
   
7.     # 生成输出层的参数。
   
8.     weights2 = tf.Variable(tf.truncated_normal([LAYER1_NODE, OUTPUT_NODE], stddev=0.1))
   
9.     biases2 = tf.Variable(tf.constant(0.1, shape=[OUTPUT_NODE]))
   
10. 
    
11.     # 计算不含滑动平均类的前向传播结果
    
12.     y = inference(x, None, weights1, biases1, weights2, biases2)
    
13.    
    
14.     # 定义训练轮数及相关的滑动平均类
    
15.     global_step = tf.Variable(0, trainable=False)
    
16.     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
    
17.     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
    
18.     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
    
19.    
    
20.     # 计算交叉熵及其平均值
    
21.     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；
    
22.                                                                                                                                              #argmax(y_, 1)函数用于按行取最大值的下标
    
23.     cross_entropy_mean = tf.reduce_mean(cross_entropy) #batch中所有交叉熵平均值
    
24.    
    
25.     # 损失函数的计算（使用L2正则化损失函数->避免过拟合）
    
26.     regularizer = tf.contrib.layers.l2_regularizer(REGULARAZTION_RATE)
    
27.     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
    
28.     loss = cross_entropy_mean + regularaztion #总损失=交叉熵损失+正则化损失
    
29.    
    
30.     # 设置指数衰减的学习率。
    
31.     learning_rate = tf.train.exponential_decay(
    
32.         LEARNING_RATE_BASE, #初始学习率
    
33.         global_step, #当前轮数
    
34.         mnist.train.num_examples / BATCH_SIZE, #batch的个数
    
35.         LEARNING_RATE_DECAY, #学习率衰减速度
    
36.         staircase=True)
    
37.    
    
38.     # 优化损失函数（梯度下降）
    
39.     train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss, global_step=global_step)
    
40.    
    
41.     # 反向传播更新参数和更新每一个参数的滑动平均值
    
42.     with tf.control_dependencies([train_step, variables_averages_op]):
    
43.         train_op = tf.no_op(name='train')
    
44. 
    
45.     # 计算正确率
    
46.     correct_prediction = tf.equal(tf.argmax(average_y, 1), tf.argmax(y_, 1))
    
47.     accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    
48.    
    
49.     # 初始化会话，并开始训练过程。
    
50.     with tf.Session() as sess:
    
51.         tf.global_variables_initializer().run()
    
52.         validate_feed = {x: mnist.validation.images, y_: mnist.validation.labels}
    
53.         test_feed = {x: mnist.test.images, y_: mnist.test.labels}
    
54.         
    
55.         # 循环的训练神经网络。
    
56.         for i in range(TRAINING_STEPS):
    
57.             if i % 1000 == 0:
    
58.                 validate_acc = sess.run(accuracy, feed_dict=validate_feed)
    
59.                 print("After %d training step(s), validation accuracy using average model is %g " % (i, validate_acc))
    
60.             
    
61.             xs,ys=mnist.train.next_batch(BATCH_SIZE)
    
62.             sess.run(train_op,feed_dict={x:xs,y_:ys})
    
63. 
    
64.         test_acc=sess.run(accuracy,feed_dict=test_feed)
    
65.         print(("After %d training step(s), test accuracy using average model is %g" %(TRAINING_STEPS, test_acc)))
    
66.    

复制代码

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

1. def main(argv=None):
   
2.     mnist = input_data.read_data_sets("../../../datasets/MNIST_data", one_hot=True)
   
3.     train(mnist)
   
4. 
   
5. if __name__=='__main__':
   
6.     main()

复制代码

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？