Tensorflow实现MNIST分类

import input_data
import tensorflow as tf


# MNIST数据集相关常数
INPUT_NODE = 784                             # 输入层节点数
OUTPUT_NODE = 10                             # 输出层节点数


# 配置神经网络的参数
LAYER1_NODE = 500                            # 一个隐藏层，节点数为500个


BATCH_SIZE = 100                             # 选取一个训练batch


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                 # 正则化系数λ
TRAINING_STEPS = 30000                       # 训练轮数
MOVING_AVERAGE_DECAY = 0.99                  # 滑动平均衰减率




# 定义了一个辅助函数，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。在这里
# 定义了一个使用ReLU激活函数的三层全连接神经网络。通过加入隐藏层实现了多层网络结构，
# 通过ReLU激活函数实现了去线性化。在这个函数中也支持传入用于计算参数平均值的类，
# 这样方便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:
# 计算隐藏层的前向传播结果，使用了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。因为在计算损失时会一并计算softmax函数，所以在这里不需要加入
# 激活函数。而且不加入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层对最后的分类结果的计算没有影响。
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，然后在计算相应神经网络的前向传播结果。
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, [None,INPUT_NODE], name='x-input')
y_ = tf.placeholder(tf.float32,[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]))


# 计算在当前参数下的神经网络前向传播的结果。这里给出的用于计算滑动平均的类为None，
# 所以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。这个变量不需要计算滑动平均值，所以这里指定这个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。
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取值，而是会维护一个影子变量来记录
# 其滑动的平均值。所以当需要使用这个滑动平均值的时候，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。使用了Tensorflow中提供的sparse_softmax_cross_entropy_with_logits
# 函数来计算交叉熵。这个函数的第一个参数是不包含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1维数组，而该函数需要提供一个正确答案的数字，所以需要使用tf.argmax函数来得到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的权重的正则化损失，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之和
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，更新变量是使用
                                                            # 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,              # 训练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。注意这里的损失函数包括了交叉熵和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神经网络中的参数，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。
# train_op = tf.group(train_step, variables_averages_op)与下面语句等价：
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。(argmax函数返回下标)
correct_prediction = tf.equal(tf.argmax(average_y, 1),tf.argmax(y_, 1))
# 这个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。这个平均值就是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过程。
with tf.Session() as sess:
tf.initialize_all_variables().run()
# 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。在真实的应用中，这部分数据在训练时是不可见的，这个数据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}


# 迭代地训练神经网络.
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:
# 计算滑动平均模型的验证数据上的结果。
validate_acc = sess.run(accuracy, feed_dict=validate_feed)
print("After %d training steps(s), validation accuracy using average model is %g " % 
(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 %d training steps(s), validation accuracy using average model is %g " % 
(TRAINGING_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("MNIST_data", one_hot=True)
train(mnist)


# Tensorflow提供一个主程序入口，tf.app.run会调用上面定义的main（）函数。
if __name__ == '__main__':
tf.app.run()