MNIST数字识别问题

MNIST数字识别问题

很多小伙伴都是看TensorFlow实战Google深度学习框架学习TensorFlow的，但是不可避免的会有很多错误，记录一下自己在学习过程中出现的众多错误，以节省大家时间不用再纠错啦！运行无误的代码附在最后。
我是在Notepad++中完成代码，然后在IPython中 “%load… .py”运行测试。

---

MNIST数据集问题

TensorFlow提供了一个类来处理MNIST数据。input_data.read_data_sets自动下载并转化MNIST数据的格式。数据集也可以下下来载入： http://yann.lecun.com/exdb/mnist/ 它包含了四个部分:

Training set images: train-images-idx3-ubyte.gz (9.9 MB, 解压后 47 MB, 包含 60,000 个样本)
Training set labels: train-labels-idx1-ubyte.gz (29 KB, 解压后 60 KB, 包含 60,000 个标签)
Test set images: t10k-images-idx3-ubyte.gz (1.6 MB, 解压后 7.8 MB, 包含 10,000 个样本)
Test set labels: t10k-labels-idx1-ubyte.gz (5KB, 解压后 10 KB, 包含 10,000 个标签)

下载完的数据集保存到MNIST-data文件夹中，与运行程序放在同一个文件夹中就可以调用了。

NameError: name ‘learning_rate’ is not defined

如果你是按照书上的代码直接写的，那么恭喜你中奖了。发生这个问题的主要原因是你对损失函数的优化、更新参数等过程都是在train(mnist)过程中的，你顶格编会突然变成全局，所以记得Tab几下就好啦~
PS：需要一直Tab到主程序入口，真是个大坑。

ValueError: Only call sparse_softmax_cross_entropy_with_logits with named arguments (labels=…, logits=…, …)

这个时候你的程序应该已经能读取数据了，但还是会出现上述问题，原来这个函数，不能按以前的方式进行调用了，只能使用命名参数的方式来调用。原来是这样的：

cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(y, tf.argmax(y_, 1))

因此修改需要成这样：

cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y, labels=tf.argmax(y_, 1))

UserWarning: To exit: use ‘exit’, ‘quit’, or Ctrl-D.warn(“To exit: use ‘exit’, ‘quit’, or Ctrl-D.”, stacklevel=1)

用 %tb追踪
将 tf.app.run() 替换为main()，即可解决问题

其它

剩下的问题基本就是自己手残的问题了，可以使用notepad++中compare插件对比看看哪里写错了。
如果还有其它问题，欢迎批评指正。

附上源码

TensorFlow程序解决MNIST手写字体数字识别问题

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
#MNIST数据集相关常数
INPUT_NODE = 784    #输入层节点数，即图片像素
OUTPUT_NODE = 10    #输出层节点数，即类别个数。MNIST数据集中需要区分0~9这十个数

#配置神经网络参数
LAYER1_NODE = 500   #隐藏层节点数。此处使用有500个节点的一个隐藏层的网络结构
BATCH_SIZE = 100    #一个训练batch中训练数据个数
                    #数字越小，训练过程越接近随机梯度下降；数字越大越接近梯度下降
LEARNING_RATE_BASE = 0.8        #基础学习率
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数
TRAINING_STEPS = 30000          #训练轮数
MOVING_AVERAGE_DECAY = 0.99     #滑动平均衰减率

#辅助函数，给定神经网络的输入和所有参数，计算神经网络的前向传播结果
#此处定义了一个使用ReLU激活函数的三层全连接神经网络
#加入隐藏层实现多层网络结构，通过ReLU激活函数实现去线性化
#此函数也支持传入用于计算参数平均值的类，方便在测试时使用滑动平均模型
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:
        #计算隐藏层前向传播结果，使用ReLU激活函数
        layer1 = tf.nn.relu(tf.matmul(input_tensor, weights1) + biases1)

        #计算输出层的前向传播结果
        #因为在计算损失函数时会一并计算softmax函数，故此处不需要加入激活函数
        #并且不加入softmax不会影响预测结果
        #因为预测时使用的是不同类别对应节点输出值的相对大小，有没有softmax层对最后分类结果的计算没有影响
        #故在计算整个神经网络的前向传播时可以不加入最后的softmax层
        return tf.matmul(layer1, weights2) +biases2

    else:
        #首先使用avg_class.average函数来计算得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
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')

    #生成隐藏层参数
    weights1 = tf.Variable(
        #正态分布，标准差为0.1
        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的结果
    #此处给出的用于计算滑动平均的类为None，故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
    #此变量不需要计算滑动平均值，所以此处指定此变量为不可训练的变量（trainable = False）
    #使用TensorFlow训练NN时，一般会将代表训练轮数的变量指定为不可训练的参数
    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NN参数的变量上使用滑动平均，其它辅助变量（eg:global_step）不需要
    #tf.trainable_variables返回的是图上集合GraphKeys.TRAINABLE_VARIABLES中的元素
    #此集合的元素即所有未指定trainable=False的参数
    variables_averages_op = variable_averages.apply(
        tf.trainable_variables())

    #计算使用了滑动平均后的前向传播结果
    #滑动平均不会改变变量本身的取值，而是会维护一个影子变量来记录其滑动平均值
    #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)

    #计算交叉熵作为刻画预测值和真实值之间差距的损失函数
    #此处使用TensorFlow中提供的sparse_softmax_cross_entropy_with_logits函数来计算交叉熵
    #当分类问题只有一个正确答案的时，可使用次函数加快交叉熵的计算
    #MNIST问题图片中只包含0~9一个数字，故可以使用此函数来计算交叉熵损失
    #此函数第一个参数是NN不包括softmax层的前向传播结果，第二个是训练数据的正确答案
    #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
    #故使用tf.argmax函数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NN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
    #设置指数衰减学习率
    #基础学习率，随着迭代进行，更新变量时使用的学习率在此基础上递减
    #当前迭代轮数
    #过完所有训练数据需要的迭代次数
    #学习率衰减速度
    learning_rate = tf.train.exponential_decay(
        LEARNING_RATE_BASE, global_step, mnist.train.num_examples/BATCH_SIZE, LEARNING_RATE_DECAY)

    #使用tf.train.GradientDescentOptimizer优化算法来优化损失函数
    #此处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)

    #训练NN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
    #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，即只在每一行选取最大值对应的下标
    #故得到的结果是一个长度为batch的一维数组，此一维数组中的值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，相等返回True，否则返回False
    correct_prediction = tf.equal(tf.argmax(average_y, 1), tf.argmax(y_, 1))    
    #此运算首先将一个布尔型的数值转换为实数型，然后计算平均值
    #此平均值即为模型在这一组数据上的正确率
    accuracy =  tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

    #初始化会话并开始训练
    with tf.Session() as sess:
        tf.initialize_all_variables().run()
        #准备验证数据
        #在NN的训练过程中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
        #在实际应用中，此部分数据训练时不可见，只是作为模型优劣的最后评价标准
        test_feed = {x: mnist.test.images, y_: mnist.test.labels}

        #迭代训练神经网络
        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:
                #计算滑动平均模型在验证数据上的结果
                #因为MNIST数据集比较小，故一次可以处理所有的验证数据
                #当NN模型比较复杂或者验证数据比较大时，太大的batch会导致计算时间过长甚至发生内存溢出的错误
                validate_acc = sess.run(accuracy, feed_dict=validate_feed)
                print("After %d training steps, validation accuracy "
                      "using average model is %g" % (i, validate_acc))

                #产生此轮使用的一个batch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})

        #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 %d training steps, test accuracy "
              "using average model is %g" % (TRAINING_STEPS, test_acc))

#主程序入口
def main(argv=None):
    #声明处理MNIST数据集的类
    mnist = input_data.read_data_sets("MNIST_data", one_hot = True)
    train(mnist)

#TensorFlow提供的主程序入口，tf.app.run会调用上述定义的main函数
if __name__ == '__main__':
    #tf.app.run()
    main()