# 创建、训练、保存模型
# 一、加载 MNIST 数据
from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
mnist = input_data.read_data_sets('MNIST_data', one_hot=True) # MNIST数据集所在路径
# 二、构建多层卷积网络
# 1、占位符
x = tf.placeholder(tf.float32, [None, 784])
y_ = tf.placeholder(tf.float32, [None, 10]) # 这里的 y_ 表示的是下一个新的y
# 2、变量初始化
def weight_variable(shape):
initial = tf.truncated_normal(shape,stddev = 0.1) # truncated_normal 从截断的正态分布中输出随机值。
return tf.Variable(initial)
def bias_variable(shape):
initial = tf.constant(0.1,shape = shape)
return tf.Variable(initial)
#为了创建这个模型,我们需要创建大量的权重和偏置项。这个模型中的权重在初始化时应该加入少量的噪声来打破对称性以及避免0梯度。
# 由于我们使用的是ReLU神经元,因此比较好的做法是用一个较小的正数来初始化偏置项,以避免神经元节点输出恒为0的问题(dead neurons)。
# 为了不在建立模型的时候反复做初始化操作,我们定义两个函数用于初始化。
# 3、卷积和池化
# 构建卷积层:用来进行特征的提取:
def conv2d(x,W):
return tf.nn.conv2d(x, W, strides = [1,1,1,1], padding = 'SAME')
# 构建池化层:对输入的特征图进行压缩,一方面使特征图变小,简化网络计算复杂度;一方面进行特征压缩,提取主要特征
def max_pool_2x2(x):
return tf.nn.max_pool(x, ksize=[1,2,2,1], strides=[1,2,2,1], padding='SAME')
# 第一层卷积
W_conv1 = weight_variable([5, 5, 1, 32])
b_conv1 = bias_variable([32])
#卷积在每个5x5的patch中算出32个特征。卷积的权重张量形状是[5, 5, 1, 32],前两个维度是patch的大小,接着是输入的通道数目,
# 最后是输出的通道数目。 而对于每一个输出通道都有一个对应的偏置量。
x_image = tf.reshape(x,[-1,28,28,1])
#为了用这一层,我们把x变成一个4d向量,其第2、第3维对应图片的宽、高,最后一维代表图片的颜色通道数(因为是灰度图所以这里的
# 通道数为1,如果是rgb彩色图,则为3)。
# x_image = [[]]
conv2d_result = conv2d(x_image,W_conv1) + b_conv1
h_conv1 = tf.nn.relu(conv2d(x_image,W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)
# 第二层卷积
W_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)
# 4、全连接层:将卷积层产生的特征图(feature map)映射成一个固定长度的特征向量。
W_fc1 = weight_variable([7 * 7 * 64, 1024])
b_fc1 = bias_variable([1024])
h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
# Dropout,减少过拟合
keep_prob = tf.placeholder("float")
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
#为了减少过拟合,我们在输出层之前加入dropout。用一个placeholder来代表一个神经元的输出在dropout中保持不变的概率。
# 这样我们可以在训练过程中启用dropout,在测试过程中关闭dropout。
# 正向传播得到输出层, softmax
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])
# 5、实现回归模型,计算每个预测分类的softmax值
y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)
# 三、训练和评估模型
cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv)) # 计算交叉熵(损失函数),这里reduce_sum作用是把minibatch里的
# 每一张图片的交叉熵都加起来,所以计算的交叉熵是整个minibatch的
train_step = tf.train.GradientDescentOptimizer(1e-4).minimize(cross_entropy) # 梯度下降法优化参数
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
# equal是判断预测与真实标签是否一致,
# tf.argmax(y_,1))返回的是正确的标签,tf.argmax(y_conv,1)返回的是模型对于任一输入x预测到的标签值,这里返
# 回的是一个布尔数组,为了计算我们分类的准确率,我们将布尔值转换为浮点数来代表对、错,然后取平均值。
# 例如:[True, False, True, True]变为[1,0,1,1],计算出平均值为0.75。
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
# 四、创建会话(session)保存模型
saver = tf.train.Saver() # 定义saver
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())# 对所有变量进行初始化,变量经过初始化之后,才能在session中使用
for i in range(20000):
batch = mnist.train.next_batch(50) # 每一步迭代加载50个训练样本
if i % 100 == 0: # 每100次迭代输出一次日志
train_accuracy = accuracy.eval(feed_dict={ # 使用feed_dict 将x,y_的占位符用训练数据替代
x: batch[0], y_: batch[1], keep_prob: 1.0})
print('step %d, training accuracy %g' % (i, train_accuracy))
train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})
saver.save(sess, 'save/'+ 'model.ckpt') # 模型储存位置
print('test accuracy %g' % accuracy.eval(feed_dict={
x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))