深度学习与TensorFlow实战（六）全连接网络基础—MNIST数据集输出手写数字识别准确率

mnist数据集：包含7万张黑底白字手写数字图片，其中55000张作为训练集，5000张作为验证集，10000作为测试集。每张图片大小为28X28像素，图片中纯黑色像素值为0，纯白1。数据集的标签长度为10的一维数组，数组每个元素索引号表示对应数字出现的概率。
在将mnist数据集作为输入喂入神经网络时，需先将数据集中每张图片变成长度784一维数组，将该数组作为输入特征喂入神经网络。

from tensorflow.example.tutorials.minst import input_data
mnist=input_data.read_data_sets(‘.data/,one_hot=True)
第一个参数表示数据集存放路径，第二个参数表示数据集的存取形式。当第二个参数为true时，表示以独热码形式存取数据集。read_data_sets()函数运行时，会检查指定路径内是否已经有数据集，若指定路径没有数据集，则自动下载，并将mnist数据集分为训练集train，验证集validation和测试集test存放。

常用函数：
1），tf.get_collection(“”)表示从collection集合中取出全部变量生成一个列表。
2），tf.cast（x,dtype）表示将参数转为指定数据类型。
3），tf.equal()表示对比两个矩阵或向量的元素。若对应元素相等，则返回true，否则false
4），tf.reduce_mean(x,axis)表示求矩阵或张量指定维度的平均值。若不指定第二份参数，则在所有元素中去平均值，指定第二个参数为0，则每一列求平均值，指定第二个参数为1，则每一行求平均值。
5），tf.argmax(x,axis)表示返回指定维度axis下，参数x中最大索引号。
6），os.path.join()表示把参数字符串按照路径命名规则拼接。、
例如：
import os
os.path.join(‘/hello’,’/good/’,’boy/’)
输出结果：/hello/good/boy/
7），字符串.split()表示按照指定“拆分符”对字符串拆分，返回拆分列表。
例如：
‘./model/mnist_model-1001’.split(‘/’)[-1].split(‘-1’)[-1]
在该例子中，共进行两次拆分。第一个拆分’/’，返回拆分列表，并提取拆分列表，并提取列表索引为-1的元素即倒数第一个元素，第二个拆分符为‘-’返回拆分列表，并提取列表索引为-1的元素即倒数第一个元素，故函数返回值为1001.
8），tf,Graph().as_default()函数表示当前图设置为默认图，并返回一个上下文管理器。
例如：
with tf.Graph().as_default() as g，表示将在Graph（）内定义的节点加入到计算图g中。

神经网络模型保存：
在反向传播过程中，一般会间隔一定轮数保存一次神经网络模型，并产生三个文件（保存当前图结构的.meta文件、保存当前参数名的.index文件、保存当前参数的.data文件）

saver=tf.train.Saver()
with tf.Session() as sess:
    for i in range(steps):
    if i %轮数==0：
      saver.save(sess,os.path.join(MODEL_SAVE_PATH,MODEL_NAME),global_step=global_step)

上述代码表示，神经网络没循环规定的轮数，将神经网络模型中所有的参数等信息保存到指定的路径中，并在存放模型的文件夹名称中注明保存模型时的训练轮数。

神经网络模型的加载：
在测试网络效果时，需要将训练好的神经网络模型加载：

 with tf.Session() as sess:
     ckpt=tf.train.get_checkpoint_state(存储路径）
     if ckpt and ckpt.model_checkpoint_path:
     saver.restore(sess,ckpt.model_checkpoint_path)

若ckpt和保存的模型在指定路径中，则将保存的模型加载到当前会话中

加载模型中参数的滑动平均值:
在保存模型时，若模型中采用滑动平均，则参数的滑动平均值会保存在相应的文件中。通过实例化saver对象，实现参数滑动平均值的加载。

ema=tf.train.ExponentialMovingAverage（滑动平均基数）
ema_restore=ema.variables_to_restory()
saver=tf.train.Saver(ema_restore)

神经网络模型准确率评估方法：
在网络评估时，一般通过计算在一组数据上的识别准确率，评估神经网络的效果。

correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(y_,1))
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.floar32))

在上述中，y表示形状为一组数据（batch_size）上神经网络模型的预测结果，y的形状为[batch_size,10]，没一行表示一张图片的识别结果。通过，tf.argmax()函数取出每张图片对应向量中最大值元素对应的索引值，组成长度为输入数据batch_size个数的一维数组。通过tf.equal()判断预测结果张量和实际标签张量的每个维度是否相等，若相等则返回True。通过tf,cast()将得到的布尔型转化为实数型，在通过tf.reduce_mean()求平均值，最终得到模型在本组数据上的准确率。

代码展示：
fb_mnist.py文件代码：

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

#定义前向传播
INPUT_NODE=784
OUTPUT_NODE=10
LAYER_NODE=500

def get_weighe(shape,regularizer):
    w=tf.Variable(tf.random_normal(shape,stddev=0.1))

    if regularizer!=None:
        tf.add_to_collection('losses',tf.contrib.layers.l2_regularizer(regularizer)(w))
    return w

def get_bias(shape):
    b=tf.Variable(tf.zeros(shape))
    return b

def forward(x,regularizer):
    w1=get_weighe([INPUT_NODE,LAYER_NODE],regularizer)
    b1=get_bias([LAYER_NODE])
    y1=tf.nn.relu(tf.matmul(x,w1)+b1)

    w2=get_weighe([LAYER_NODE,OUTPUT_NODE],regularizer)
    b2=get_bias([OUTPUT_NODE])
    y=tf.matmul(y1,w2)+b2
    return y

#定义反向传播
BATCH_SIZE=200
LEARNING_RATE_BASE=0.1
LEARNING_RATE_DECAY=0.99
REGULARIZER=0.0001
MOVING_AVERAGE_DECAY=0.99
MODEL_SAVE_PATH="./model/"
MODEL_NAME="mnist_model"

def backward(mnist):
    x=tf.placeholder(tf.float32,shape=[None,INPUT_NODE])
    y_=tf.placeholder(tf.float32,shape=[None,OUTPUT_NODE])
    y=forward(x,REGULARIZER)
    global_step=tf.Variable(0,trainable=False)

    #加入正则化
    ce=tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y,labels=tf.argmax(y_,1))
    cem=tf.reduce_mean(ce)
    loss=cem+tf.add_n(tf.get_collection('losses'))

    #加入学习衰减率
    learning_rate=tf.train.exponential_decay(
        LEARNING_RATE_BASE,
        global_step,
        mnist.train.num_examples/BATCH_SIZE,
        LEARNING_RATE_DECAY,
        staircase=True
    )

    train_step=tf.train.GradientDescentOptimizer(learning_rate).minimize(loss,global_step=global_step)

    #加入滑动平均

    ema=tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY,global_step)
    ema_op=ema.apply(tf.trainable_variables())
    with tf.control_dependencies([train_step,ema_op]):
        train_op=tf.no_op(name='train')

    #保存模型
    saver=tf.train.Saver()

    #生成会话，训练模型
    with tf.Session() as sess:
        init_op=tf.global_variables_initializer()
        sess.run(init_op)

        for i in range(80000):
            xs,ys=mnist.train.next_batch(BATCH_SIZE)
            _,loss_value,step=sess.run(
                [train_op,loss,global_step],
                feed_dict={x:xs,y_:ys}
            )
            if i%1000==0:
                print("after %d training step,loss on training date is%g"%(step,loss_value))
                saver.save(sess,os.path.join(MODEL_SAVE_PATH,MODEL_NAME),global_step=global_step)

def main():
    mnist=input_data.read_data_sets("./data/",one_hot=True)
    backward(mnist)

if __name__=='__main__':
    main()

test_mnist.py文件代码：

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


def test(mnist):
    with tf.Graph().as_default() as g:
        x=tf.placeholder(tf.float32,shape=[None,fb_mnist.INPUT_NODE])
        y_=tf.placeholder(tf.float32,shape=[None,fb_mnist.OUTPUT_NODE])
        y=fb_mnist.forward(x,None)
        #通过实例化saver对象，实现参数滑动平均值的加载。
        ema=tf.train.ExponentialMovingAverage(fb_mnist.MOVING_AVERAGE_DECAY)
        ema_restore=ema.variables_to_restore()
        saver=tf.train.Saver(ema_restore)

        correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(y_,1))
        accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))

        while True:#循环
            with tf.Session() as sess:
                ckpt=tf.train.get_checkpoint_state(fb_mnist.MODEL_SAVE_PATH)
                if ckpt and ckpt.model_checkpoint_path:
                    saver.restore(sess,ckpt.model_checkpoint_path)
                    global_step=ckpt.model_checkpoint_path.split('/')[-1].split('-1')[-1]
                    accuracy_score=sess.run(accuracy,feed_dict={x:mnist.test.images,y_:mnist.test.labels})
                    print("after %s training steps,test accuracy=%g"%(global_step,accuracy_score))
                else:
                    print("no checkpoint file found")
                    return
            time.sleep(5)

def main():
    mnist=input_data.read_data_sets("./data/",one_hot=True)
    test(mnist)

if __name__=='__main__':
    main()

结果：



断点训练：
关键处理：计入ckpt操作
ckpt=tf.train.get_checkpoint_state(MODEL_SAVE_PATH)
if ckpt and ckpt.model_checkpoint_path:
saver.restore(sess,ckpt.model_checkpoint_path)

注解：tf.train.get_checkpoint_state(checkpoint_dir,latest_filename=None)
该函数表示如果断点文件夹中包含有效断点状态文件，则返回该文件。
checkpoint_dir：表示存储断点文件的目录
latest_filename=None：断点存储文件的名称，默认为checkpoint

saver.restore(sess,ckpt.model_checkpoint_path)
该函数表示恢复当前会话，将ckpt中的值赋给w，b
sess：表示当前会话，之前保存的结果将被加入这个会话
ckpt.model_checkpoint_path：表示模型存储的位置，不需要提供模型的名字，它会去查看checkpoint文件，看看最新是什么。

ckpt代码位置：

结果：