MNIST数据集介绍：
from tensorflow.examples.tutorials.mnist import input_data # 载入MNIST数据集，如果指定地址下没有已经下载好的数据，tensorflow会自动下载数据 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) # 从train集合中选取batch_size个训练数据 print(‘X shape: {}‘.format(xs.shape)) # 输出：(100,784) print(‘Y shape: {}‘.format(ys.shape)) # 输出：(100,10)
一个完整的mnist手写数字识别程序：
import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data # MNIST数据集相关的常用 INPUT_NODE=784 OUTPUT_NODE=10 # 配置神经网络的参数 LAYER1_NODE=500 # 隐藏层节点个数 BATCH_SIZE=100 # 一个训练batch中的数据个数。 LEARNING_RATE_BASE=0.8 # 基础的学习率 LEARNING_RATE_DECAY=0.99 # 学习率的衰减率 REGULARIZATION_RATE=0.0001 # 描述模型复杂度的正则化项在损失函数中的系统 TRAINING_STEPS=30000 # 训练轮数 MOVING_AVERAGE_DECAY=0.99 # 滑动平均衰减率 # 定义一个三层神经网络。 def inference(input_tensor,avg_class,weights1,biases1,weights2,biases2): # 当没有提供滑动平均类时，直接使用参数当前的取值。 if avg_class==None: # 计算隐藏层的前向传播结果，这里使用ReLU激活函数 layer1=tf.nn.relu(tf.matmul(input_tensor,weights1)+biases1) return tf.matmul(layer1,weights2)+biases2 else: # 首先使用avg_class.average函数来计算出变量的滑动平均值， # 然后再计算相应的神经网络前向传播结果 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)) # 训练模型的过程 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])) # 计算在当前参数下神经网络前向传播结果。这里给出的用于计算滑动平均的类为None， # 所以函数不会使用参数的滑动平均值。 y=inference(x,None,weights1,biases1,weights2,biases2) # 定义存储训练轮数的变量。该变量为不可训练变量(trainable=False) global_step=tf.Variable(0,trainable=False) # 给定滑动平均衰减率和训练轮数的变量，初始化滑动平均类。给定训练轮数的变量 # 可以加快训练早期变量的更新速度。 variable_averages=tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY,global_step) # 在所有代表神经网络参数的变量上使用滑动平均。tf.trainable_variables返回的就是图上集合 # GraphKeys.TRAINABLE_VARIABLES中的元素。这个集合的元素就是所有没有指定 # trainable=False的参数。 variables_averages_op=variable_averages.apply(tf.trainable_variables()) # 计算使用了滑动平均之后的前向传播结果。滑动平均不会改变变量本身的值，而是维护一个影子 # 变量来记录其滑动平均值。所以当需要使用这个滑动平均值时，需要明确调用average函数 average_y=inference(x,variable_averages,weights1,biases1,weights2,biases2) # 使用交叉熵作为损失函数。这里使用 # sparse_softmax_cross_entropy_with_logits函数来计算交叉熵。因为标准答案是一个长度为 # 10的一维数组，而该函数需要提供的是一个正确答案的数字，所以需要使用tf.argmax函数来 # 得到正确答案对应的类别编号 cross_entropy=tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y,labels=tf.argmax(y_,1)) # 计算在当前batch中所有样例的交叉熵平均值 cross_entropy_mean=tf.reduce_mean(cross_entropy) # 计算L2正则化损失函数 regularizer=tf.contrib.layers.l2_regularizer(REGULARIZATION_RATE) # 计算模型的正则化损失。一般只计算神经网络边上权重的正则化损失，而不使用偏置项 regularization=regularizer(weights1)+regularizer(weights2) # 总损失等于交叉熵损失和正则化损失的和 loss=cross_entropy_mean+regularization # 设置指数衰减的学习率。 learning_rate=tf.train.exponential_decay( LEARNING_RATE_BASE, # 基础的学习率，随着迭代的进行，更新变量时使用的学习率 # 在这个基础上递减 global_step, # 当前迭代的轮数 mnist.train.num_examples/BATCH_SIZE, # 过完所有的训练数据需要的迭代次数 LEARNING_RATE_DECAY # 学习率衰减速度 ) # 使用tf.train.GradientDescentOptimizer优化算法来优化损失函数。这里的损失函数 # 包含了交叉熵损失和L2正则化损失。 train_step=tf.train.GradientDescentOptimizer(learning_rate) .minimize(loss,global_step=global_step) # 在训练神经网络模型时，每过一遍数据既需要通过反向传播来更新网络中的参数， # 又要更新每一个参数的滑动平均值。为了一次完成多个操作，tensorflow提供了 # tf.control_dependencies和tf.group两种机制。下面两行程序和 # train_op=tf.group(train_step,variables_averages_op)是等价的。 with tf.control_dependencies([train_step,variables_averages_op]): train_op=tf.no_op(name=‘train‘) # 检验使用了滑动平均模型的神经网络前向传播结果是否正确。tf.argmax(average_y,1) # 计算每一个样例的预测答案。其中average_y是一个batch_size*10的二维数组，每一行 # 表示一个样例的前向传播结果。tf.argmax的第二个参数‘1’表示选取最大值的操作仅在 # 第一个维度中进行，也就是说，只在每一行选取最大值对应的下标。于是得到的结果是 # 一个长度为batch的以为数组，这个一维数组中的值就表示了每一个样例对应的数字识别结果。 # tf.equal判断两个张量的每一维是否相等。 correct_prediction=tf.equal(tf.argmax(average_y,1),tf.argmax(y_,1)) accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32)) # 初始化会话并开始训练过程。 with tf.Session() as sess: init_op=tf.global_variables_initializer() sess.run(init_op) # 准备验证数据。一般在神经网络的训练过程中会通过验证数据来大致判断停止的 # 条件和评判训练的效果。 validate_feed={x:mnist.validation.images,y_:mnist.validation.labels} # 准备测试数据 test_feed={x:mnist.test.images,y_:mnist.test.labels} # 迭代的训练神经网络 for i in range(TRAINING_STEPS): # 每1000轮输出一次在验证数据集上的测试结果 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)) # 产生这一轮使用的一个batch的训练数据，并运行训练过程。 xs,ys=mnist.train.next_batch(BATCH_SIZE) sess.run(train_op,feed_dict={x:xs,y_:ys}) # 在训练结束后，在测试数据上检测神经网络模型的最终正确率 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): # 声明处理MNIST数据集的类，这个类在初始化时会自动下载数据 mnist=input_data.read_data_sets(‘.‘,one_hot=True) train(mnist) # tensorflow 提供的一个主程序入口，tf.app.run会调用上面定义的main函数 if __name__==‘__main__‘: tf.app.run()