'''
Created on 2017年4月22日 @author: weizhen
'''
import os
import tensorflow as tf
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data # 加载mnist_inference.py中定义的常量和前向传播的函数
import LeNet5_infernece # 配置神经网络的参数
BATCH_SIZE = 100
LEARNING_RATE_BASE = 0.8
LEARNING_RATE_DECAY = 0.99
REGULARAZTION_RATE = 0.0001
TRAINING_STEPS = 30000
MOVING_AVERAGE_DECAY = 0.99 # 模型保存的路径和文件名
MODEL_SAVE_PATH = "/path/to/model/"
MODEL_NAME = "model.ckpt" def train(mnist):
# 定义输入输出placeholder
x = tf.placeholder(tf.float32, [BATCH_SIZE,
LeNet5_infernece.IMAGE_SIZE,#第一维表示一个batch中样例的个数
LeNet5_infernece.IMAGE_SIZE,#第二维和第三维表示图片的尺寸
LeNet5_infernece.NUM_CHANNELS],#第四维表示图片的深度，对于RGB格式的图片，深度为5
name='x-input')
y_ = tf.placeholder(tf.float32, [None, LeNet5_infernece.OUTPUT_NODE], name='y-input') regularizer = tf.contrib.layers.l2_regularizer(REGULARAZTION_RATE)
# 直接使用mnist_inference.py中定义的前向传播过程
y = LeNet5_infernece.inference(x,True,regularizer)
global_step = tf.Variable(0, trainable=False) # 和5.2.1小节样例中类似地定义损失函数、学习率、滑动平均操作以及训练过程
variable_averages = tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY, global_step)
variable_averages_op = variable_averages.apply(tf.trainable_variables())
cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y, labels=tf.argmax(y_, 1))
cross_entropy_mean = tf.reduce_mean(cross_entropy)
loss = cross_entropy_mean + tf.add_n(tf.get_collection('losses'))
learning_rate = tf.train.exponential_decay(LEARNING_RATE_BASE, global_step, mnist.train.num_examples / BATCH_SIZE, LEARNING_RATE_DECAY)
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:
tf.initialize_all_variables().run() # 在训练过程中不再测试模型在验证数据上的表现，验证和测试的过程将会有一个独立的程序来完成
for i in range(TRAINING_STEPS):
xs, ys = mnist.train.next_batch(BATCH_SIZE)
reshaped_xs=np.reshape(xs,(BATCH_SIZE,
LeNet5_infernece.IMAGE_SIZE,
LeNet5_infernece.IMAGE_SIZE,
LeNet5_infernece.NUM_CHANNELS))
_, loss_value, step = sess.run([train_op, loss, global_step], feed_dict={x:reshaped_xs, y_:ys}) # 每1000轮保存一次模型
if i % 1000 == 0:
# 输出当前训练情况。这里只输出了模型在当前训练batch上的损失函数大小
# 通过损失函数的大小可以大概了解训练的情况。在验证数据集上的正确率信息
# 会有一个单独的程序来生成
print("After %d training step(s),loss on training batch is %g" % (step, loss_value)) # 保存当前的模型。注意这里给出了global_step参数，这样可以让每个被保存模型的文件末尾加上训练的轮数
# 比如"model.ckpt-1000"表示训练1000轮之后得到的模型
saver.save(sess, os.path.join(MODEL_SAVE_PATH, MODEL_NAME), global_step=global_step) def main(argv=None):
mnist = input_data.read_data_sets("/tmp/data", one_hot=True)
train(mnist) if __name__ == '__main__':
tf.app.run()
上面是LeNet-5train.py文件的内容。
与全连接层相比，卷积层的train.py文件主要调整了输入参数的维度，和增加了过滤器的深度
下面是构造六层卷积层的程序
'''
Created on 2017年4月22日 @author: weizhen
'''
import tensorflow as tf
from tensorflow.python.debug.examples.debug_mnist import NUM_LABELS
#配置神经网络的参数
INPUT_NODE=784
OUTPUT_NODE=10
IMAGE_SIZE=28
NUM_CHANNELS=1 #第一层卷积层的尺寸和深度
CONV1_DEEP=32
CONV1_SIZE=5 #第二层卷积层的尺寸和深度
CONV2_DEEP=64
CONV2_SIZE=5 #全连接层的节点个数
FC_SIZE=512 #定义卷积神经网络的前向传播过程。这里添加了一个新的参数train，用于区分训练过程和测试过程
#在这个程序中将用到dropout方法，dropout方法可以进一步提升模型可靠性并防止过拟合
#dropout过程只在训练时使用
def inference(input_tensor,train,regularizer):
#声明第一层卷积层的变量并实现前向传播过程。
#通过使用不同的命名空间来隔离不同层的变量，这可以让每一层中的变量命名
#只需要考虑当前层的作用，而不需要担心重命名的问题。和标准LeNet-5模型不大一样，
#这里定义的卷积层输入为28*28*1的原始MNIST图片像素，因为卷积层中使用了全0填充
#所以输出为28*28*32的矩阵
with tf.variable_scope('layer1-conv1'):
conv1_weights=tf.get_variable("weight",
[CONV1_SIZE,CONV1_SIZE,NUM_CHANNELS,CONV1_DEEP],
initializer=tf.truncated_normal_initializer(stddev=0.1)
)
conv1_biases=tf.get_variable("bias",[CONV1_DEEP],initializer=tf.constant_initializer(0.0))
#使用边长为5，深度为32的过滤器，过滤器移动的步长为1，且使用全0填充
conv1=tf.nn.conv2d(input_tensor,conv1_weights,strides=[1,1,1,1],padding='SAME')
relu1=tf.nn.relu(tf.nn.bias_add(conv1,conv1_biases)) #实现第二城池化层的前向传播过程。这里选用最大池化层，池化层过滤器的边长为2，
#使用全0填充且移动的步长为2.这一层的输入是上一层的输出，也就是28*28*32
#的矩阵。输出为14*14*32的矩阵
with tf.name_scope('layer2-pool1'):
pool1=tf.nn.max_pool(relu1, ksize=[1,2,2,1], strides=[1,2,2,1], padding='SAME') #声明第三层卷积层的变量并实现前向传播过程。这一层输入为14*14*32的矩阵
#输出为14*14*64的矩阵
with tf.variable_scope('layer3-conv2'):
conv2_weights=tf.get_variable("weight",[CONV2_SIZE,CONV2_SIZE,CONV1_DEEP,CONV2_DEEP],initializer=tf.truncated_normal_initializer(stddev=0.1))
conv2_biases=tf.get_variable("bias",[CONV2_DEEP],initializer=tf.constant_initializer(0.0))
#使用边长为5，深度为64的过滤器，过滤器移动的步长为1，且使用全0填充
conv2=tf.nn.conv2d(pool1,conv2_weights,strides=[1,1,1,1],padding='SAME')
relu2=tf.nn.relu(tf.nn.bias_add(conv2,conv2_biases)) #实现第四层池化层的前向传播过程。这一层和第二层的结构是一样的。这一层的输入为
#14*14*64的矩阵，输出为7*7*64的矩阵
with tf.name_scope('layer4-pool2'):
pool2=tf.nn.max_pool(relu2,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME') #将第四层池化层的输出转化为第五层全连接层的输入格式，第四层的输出为7*7*64的矩阵
#然而第五层全连接层需要的输入格式为向量，所以在这里需要将这个7*7*64的矩阵拉直成一个向量
#pool2.get_shape函数可以得到第四层输出矩阵的维度而不需要手工计算
#注意因为每一层神经网络的输入输出都为一个batch的矩阵，所以这里得到的维度也包含了一个batch中数据的个数
pool_shape=pool2.get_shape().as_list()
#计算将矩阵拉直成向量之后的长度，这个长度就是矩阵长宽及深度的乘积。注意在这里pool_shape[0]为一个batch中数据的个数
nodes=pool_shape[1]*pool_shape[2]*pool_shape[3] #通过tf.reshape函数将第四层的输出变成一个batch向量
reshaped=tf.reshape(pool2,[pool_shape[0],nodes]) #声明第五层全连接的变量并实现前向传播过程。这一层的输入是拉直之后的一组向量
#向量长度为3136，输出是一组长度为512的向量。这一层和之前介绍的基本一致
#唯一的区别就是引入了dropout的概念。dropout在训练时会随机将部分节点的输出改为0
#dropout可以避免过拟合问题，从而使得模型在测试数据上的效果更好
#dropout一般只在全连接层而不是卷积层或者池化层使用
with tf.variable_scope('layer5-fc1'):
fc1_weights=tf.get_variable("weight",[nodes,FC_SIZE],initializer=tf.truncated_normal_initializer(stddev=0.1))
#只用全连接层的权重需要加入正则化
if regularizer!=None:
tf.add_to_collection('losses',regularizer(fc1_weights))
fc1_biases=tf.get_variable("bias",[FC_SIZE],initializer=tf.constant_initializer(0.1))
fc1=tf.nn.relu(tf.matmul(reshaped,fc1_weights)+fc1_biases)
if train:
fc1=tf.nn.dropout(fc1, 0.5) #声明第六层的变量并实现前向传播过程。这一层的输入为一组长度为512的向量
#输出为一组长度为10的向量。这一层的输出通过Softmax之后就得到了最后的分类结果
with tf.variable_scope('layer6-fc2'):
fc2_weights=tf.get_variable("weight",[FC_SIZE,NUM_LABELS],initializer=tf.truncated_normal_initializer(stddev=0.1))
if regularizer!=None:
tf.add_to_collection('losses',regularizer(fc2_weights))
fc2_biases=tf.get_variable("bias",[NUM_LABELS],initializer=tf.constant_initializer(0.1))
logit=tf.matmul(fc1,fc2_weights)+fc2_biases return logit
下面是运行的结果，由于该程序运行的速度很慢，所以在笔记本上并没有跑出来
打算回到公司里去跑
下面是跑过了2000遍之后得到的结果
After 1 training step(s),loss on training batch is 5.68176
After 1001 training step(s),loss on training batch is 2.88521
可以看到误差是在逐渐缩小的，2000遍之后，正确率已经可以达到97....%了