TensorFlow DNN 实现MNIST数字识别（初版）

#coding:utf-8
#手写识别

import tensorflow as tf

#MNIST数据集相关的常数
INPUT_NODE=784  #输入层的节点数。对于MNIST数据集，这个就等于图片的像素
OUTPUT_NODE=10  #输出层的节点数。这个等于类别的数目。因为MNIST数据集中需要区分的是0-9这10个数字，所以这里输出层的节点数为10

#配置神经网络的参数
LAYER1_NODE=500 #隐藏层节点数。这里使用只有一个隐藏层的网络结构作为样例
                #这个隐藏层有500个节点
BATCH_SIZE=100  #一个训练batch中的训练数据个数。数字越小时，训练过程越接近，随机梯度下降；数字越大时，训练越接近梯度下降
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在损失函数中的系数(防止过拟合)
TRAINING_STEPS = 9001         #训练轮数
MOVING_AVERAGE_DECAY = 0.99  #滑动平均衰减率（控制模型更新速度阈值）

#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的平均值的类
#这样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:
        #计算隐藏层的前向传播结果，这里使用了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。因为在计算损失函数时会一并计算softmax函数
        #所以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。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的变量(trainable=False) .在使用Tensorflow训练神经网络时
    #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)
    
    #在所有代表神经网络参数的变量上使用滑动平均。其他辅助变量(比如g  lobal_step)就不需要了
    #tf.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你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。
    #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。这里使用了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时，可以使用这个函数来加速交叉熵的计算。
    #MNIST问题的图片中只包含了0-9中的一个数字，所以可以使用这个函数来计算交叉熵损失
    #这个函数的第一个参数是神经网络不包括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中所有样类的交叉熵平均值
    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。这里损失函数包含了
    #交叉熵损失和L2正则化损失
    print(tf.train.GradientDescentOptimizer(learning_rate))
    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两种机制下面两行程序和
    #train_op=tf.group(train_step,variables_averages_op)是等价的
    train_op=tf.group(train_step,variables_averages_op)
    #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的一维数组，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，如果相等返回True,否则返回False
    correct_prediction = tf.equal(tf.arg_max(y,1), tf.arg_max(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))
    
    #声明tf.train.Saver类用于保存模型
    saver = tf.train.Saver()

    #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
        #模型优劣的最后评判标准
        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:
                #将模型保存到这个文件下
                save_path = saver.save(sess, '/home/sun/AI/Depth_Learning/DNN/handWrite1/model/model.ckpt')

                #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，所以一次
                #可以处理所有的验证数据。为了计算方便，本样例程序没有将验证数据划分为更小的batch
                #当神经网络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)
                test_acc = sess.run(accuracy, feed_dict=test_feed)
                print("After %d training step(s), validation accuracy using average model is %g, test accuracy using average model is %g" %(i,validate_acc,test_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})
        #在训练结束之后，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 step(s), test accuracy using average model is %g "%(TRAINING_STEPS,test_acc))
    
#主程序入口
def main(argv=None):
    from tensorflow.examples.tutorials.mnist import input_data
    mnist = input_data.read_data_sets("/home/sun/AI/Depth_Learning/DNN/handWrite1/data/", one_hot=True)
    train(mnist)

if __name__ == '__main__':
    tf.app.run()