輸出結果
案例了解DNN過程思路
1、一張圖像數組形狀的變化：輸入一個由784 個元素(28*28的二維數組)構成的一維數組後，輸出一個有10個元素的一維數組。這是隻輸入一張圖像資料時的處理流程。
2、批進行中數組形狀的變化：考慮打包輸入多張圖像的情形。比如，我們想用predict()函數一次性打包處理100張圖像。為此，可以把x的形狀改為100 × 784，将100 張圖像打包作為輸入資料。，輸入資料的形狀為100 × 784，輸出資料的形狀為
100 × 10。這表示輸入的100 張圖像的結果被一次性輸出了。比如，x[0]和y[0]中儲存了第0 張圖像及其推理結果，x[1]和y[1]中儲存了第1 張圖像及其推理結果，等等。這種打包式的輸入資料稱為批（batch）。批有“捆”的意思，圖像就如同紙币一樣紮成一捆。
代碼設計
# -*- coding: utf-8 -*-
#實作的神經網絡共有三層，輸入層有 784 個神經元，隐藏層與輸出層分别有 500 和 10 個神經元。這是以這樣設計是因為 MNIST 的像素為 28×28=784，是以每一個輸入神經元對應于一個灰階像素點。批量大小為 100并使用學習率衰減的情況下疊代 10000 步能得到 98.34% 的測試集準确度，
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
#加載MNIST資料集
mnist = input_data.read_data_sets("./data/MNIST/", one_hot=True)
INPUT_NODE = 784
OUTPUT_NODE = 10
LAYER1_NODE = 500
BATCH_SIZE = 100
# 模型相關的參數
LEARNING_RATE_BASE = 0.8
LEARNING_RATE_DECAY = 0.99
REGULARAZTION_RATE = 0.0001
TRAINING_STEPS = 10000
MOVING_AVERAGE_DECAY = 0.99
def inference(input_tensor, avg_class, weights1, biases1, weights2, biases2):
# 使用滑動平均類
if avg_class == None:
layer1 = tf.nn.relu(tf.matmul(input_tensor, weights1) + biases1)
return tf.matmul(layer1, weights2) + biases2
else:
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)
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')
# 生成隐藏層的參數。
weights1 = tf.Variable(tf.truncated_normal([INPUT_NODE, LAYER1_NODE], stddev=0.1))
biases1 = tf.Variable(tf.constant(0.1, shape=[LAYER1_NODE]))
# 生成輸出層的參數。
weights2 = tf.Variable(tf.truncated_normal([LAYER1_NODE, OUTPUT_NODE], stddev=0.1))
biases2 = tf.Variable(tf.constant(0.1, shape=[OUTPUT_NODE]))
# 計算不含滑動平均類的前向傳播結果
y = inference(x, None, weights1, biases1, weights2, biases2)
# 定義訓練輪數及相關的滑動平均類
global_step = tf.Variable(0, trainable=False)
variable_averages = tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY, global_step)
variables_averages_op = variable_averages.apply(tf.trainable_variables())
average_y = inference(x, variable_averages, weights1, biases1, weights2, biases2)
# 計算交叉熵及其平均值
cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y, labels=tf.argmax(y_, 1))
cross_entropy_mean = tf.reduce_mean(cross_entropy)
# 定義交叉熵損失函數加上正則項為模型損失函數
regularizer = tf.contrib.layers.l2_regularizer(REGULARAZTION_RATE)
regularaztion = regularizer(weights1) + regularizer(weights2)
loss = cross_entropy_mean + regularaztion
# 設定指數衰減的學習率。
learning_rate = tf.train.exponential_decay(
LEARNING_RATE_BASE,
global_step,
mnist.train.num_examples / BATCH_SIZE,
LEARNING_RATE_DECAY,
staircase=True)
# 随機梯度下降優化器優化損失函數,使用梯度下降優化器來優化權重。然而，TensorFlow 中還有很多優化器，最常用的是 GradientDescentOptimizer、AdamOptimizer 和 AdaGradOptimizer。
train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss, global_step=global_step)
# 反向傳播更新參數和更新每一個參數的滑動平均值
with tf.control_dependencies([train_step, variables_averages_op]):
train_op = tf.no_op(name='train')
# 計算準确度
correct_prediction = tf.equal(tf.argmax(average_y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
# 初始化會話并開始訓練過程。
with tf.Session() as sess:
tf.global_variables_initializer().run()
validate_feed = {x: mnist.validation.images, y_: mnist.validation.labels}
test_feed = {x: mnist.test.images, y_: mnist.test.labels}
# 循環地訓練神經網絡。
for i in range(TRAINING_STEPS):
if i % 1000 == 0:
validate_acc = sess.run(accuracy, feed_dict=validate_feed)
print("After %d training step(s), validation accuracy using average model is %g " % (i, validate_acc))
xs,ys=mnist.train.next_batch(BATCH_SIZE)
sess.run(train_op,feed_dict={x:xs,y_:ys})
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)))
avg_class = None
train(mnist)