持久化的基于L2正则化和平均滑动模型的MNIST手写数字识别模型

觉得有用的话,欢迎一起讨论相互学习~

参考文献Tensorflow实战Google深度学习框架

实验平台:

Tensorflow1.4.0

python3.5.0

MNIST数据集将四个文件下载后放到当前目录下的MNIST_data文件夹下

定义模型框架与前向传播

  1. import tensorflow as tf
  2. # 定义神经网络结构相关参数
  3. INPUT_NODE = 784
  4. OUTPUT_NODE = 10
  5. LAYER1_NODE = 500
  6. # 设置权值函数
  7. # 在训练时会创建这些变量,在测试时会通过保存的模型加载这些变量的取值
  8. # 因为可以在变量加载时将滑动平均变量均值重命名,所以这个函数可以直接通过同样的名字在训练时使用变量本身
  9. # 而在测试时使用变量的滑动平均值,在这个函数中也会将变量的正则化损失加入损失集合
  10. def get_weight_variable(shape, regularizer):
  11. weights = tf.get_variable("weights", shape, initializer=tf.truncated_normal_initializer(stddev=0.1))
  12. # 如果使用正则化方法会将该张量加入一个名为'losses'的集合
  13. if regularizer != None: tf.add_to_collection('losses', regularizer(weights))
  14. return weights
  15. # 定义神经网络前向传播过程
  16. def inference(input_tensor, regularizer):
  17. with tf.variable_scope('layer1'):
  18. weights = get_weight_variable([INPUT_NODE, LAYER1_NODE], regularizer)
  19. biases = tf.get_variable("biases", [LAYER1_NODE], initializer=tf.constant_initializer(0.0))
  20. layer1 = tf.nn.relu(tf.matmul(input_tensor, weights) + biases)
  21. with tf.variable_scope('layer2'):
  22. weights = get_weight_variable([LAYER1_NODE, OUTPUT_NODE], regularizer)
  23. biases = tf.get_variable("biases", [OUTPUT_NODE], initializer=tf.constant_initializer(0.0))
  24. layer2 = tf.matmul(layer1, weights) + biases
  25. return layer2

模型训练与模型框架及参数持久化

  1. import tensorflow as tf
  2. from tensorflow.examples.tutorials.mnist import input_data
  3. import mnist_inference
  4. import os
  5. # 配置神经网络参数
  6. BATCH_SIZE = 100 # 批处理数据大小
  7. LEARNING_RATE_BASE = 0.8 # 基础学习率
  8. LEARNING_RATE_DECAY = 0.99 # 学习率衰减速度
  9. REGULARIZATION_RATE = 0.0001 # 正则化项
  10. TRAINING_STEPS = 30000 # 训练次数
  11. MOVING_AVERAGE_DECAY = 0.99 # 平均滑动模型衰减参数
  12. # 模型保存的路径和文件名
  13. MODEL_SAVE_PATH = "MNIST_model/"
  14. MODEL_NAME = "mnist_model"
  15. def train(mnist):
  16. # 定义输入输出placeholder
  17. x = tf.placeholder(tf.float32, [None, mnist_inference.INPUT_NODE], name='x-input') # 可以直接引用mnist_inference中的超参数
  18. y_ = tf.placeholder(tf.float32, [None, mnist_inference.OUTPUT_NODE], name='y-input')
  19. # 定义L2正则化器
  20. regularizer = tf.contrib.layers.l2_regularizer(REGULARIZATION_RATE)
  21. # 在前向传播时使用L2正则化
  22. y = mnist_inference.inference(x, regularizer)
  23. global_step = tf.Variable(0, trainable=False)
  24. # 在可训练参数上定义平均滑动模型
  25. variable_averages = tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY, global_step)
  26. # tf.trainable_variables()返回的是图上集合GraphKeys.TRAINABLE_VARIABLES中的元素。这个集合中的元素是所有没有指定trainable=False的参数
  27. variables_averages_op = variable_averages.apply(tf.trainable_variables())
  28. cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y, labels=tf.argmax(y_, 1))
  29. cross_entropy_mean = tf.reduce_mean(cross_entropy)
  30. # 在交叉熵函数的基础上增加权值的L2正则化部分
  31. loss = cross_entropy_mean + tf.add_n(tf.get_collection('losses'))
  32. # 设置学习率,其中学习率使用逐渐递减的原则
  33. learning_rate = tf.train.exponential_decay(
  34. LEARNING_RATE_BASE,
  35. global_step,
  36. mnist.train.num_examples/BATCH_SIZE, LEARNING_RATE_DECAY,
  37. staircase=True)
  38. # 使用梯度下降优化器
  39. train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss, global_step=global_step)
  40. # with tf.control_dependencies([train_step, variables_averages_op]):
  41. # train_op = tf.no_op(name='train')
  42. # 在反向传播的过程中,不仅更新神经网络中的参数还更新每一个参数的滑动平均值
  43. train_op = tf.group(train_step, variables_averages_op)
  44. # 定义Saver模型保存器
  45. saver = tf.train.Saver()
  46. with tf.Session() as sess:
  47. tf.global_variables_initializer().run()
  48. for i in range(TRAINING_STEPS):
  49. xs, ys = mnist.train.next_batch(BATCH_SIZE)
  50. _, loss_value, step = sess.run([train_op, loss, global_step], feed_dict={x: xs, y_: ys})
  51. # 每1000轮保存一次模型
  52. if i%1000 == 0:
  53. # 输出当前的训练情况,这里只输出了模型在当前训练batch上的损失函数大小
  54. # 通过损失函数的大小可以大概了解训练的情况,
  55. # 在验证数据集上的正确率信息会有一个单独的程序来生成
  56. print("After %d training step(s), loss on training batch is %g."%(step, loss_value))
  57. # 模型保存
  58. saver.save(sess, os.path.join(MODEL_SAVE_PATH, MODEL_NAME), global_step=global_step)
  59. def main(argv=None):
  60. mnist = input_data.read_data_sets("./MNIST_data", one_hot=True)
  61. train(mnist)
  62. if __name__ == '__main__':
  63. tf.app.run()

模型恢复与评价测试集上的效果

  1. import time
  2. import tensorflow as tf
  3. from tensorflow.examples.tutorials.mnist import input_data
  4. import mnist_inference
  5. import mnist_train
  6. # 每10秒加载一次最新的模型
  7. # 加载的时间间隔。
  8. EVAL_INTERVAL_SECS = 10
  9. def evaluate(mnist):
  10. with tf.Graph().as_default() as g:
  11. x = tf.placeholder(tf.float32, [None, mnist_inference.INPUT_NODE], name='x-input')
  12. y_ = tf.placeholder(tf.float32, [None, mnist_inference.OUTPUT_NODE], name='y-input')
  13. validate_feed = {x: mnist.validation.images, y_: mnist.validation.labels}
  14. # 直接通过调用封装好的函数来计算前向传播的结果,因为测试时不关注正则化损失的值所以这里用于计算正则化损失的函数被设置为None
  15. y = mnist_inference.inference(x, None)
  16. correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
  17. # 如果需要离线预测未知数据的类别,只需要将计算正确率的部分改为答案的输出即可。
  18. accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
  19. # 通过获取变量重命名的方式来加载模型,这样在前向传播的过程中就不需要调用滑动平均的函数来获取平均值
  20. # 这样可以完全共用mnist_inference.py重定义的前向传播过程
  21. variable_averages = tf.train.ExponentialMovingAverage(mnist_train.MOVING_AVERAGE_DECAY)
  22. variables_to_restore = variable_averages.variables_to_restore()
  23. saver = tf.train.Saver(variables_to_restore)
  24. while True:
  25. with tf.Session() as sess:
  26. # tf.train.get_checkpoint_state函数会通过checkpoint文件自动找到目录中最新模型的文件名
  27. ckpt = tf.train.get_checkpoint_state(mnist_train.MODEL_SAVE_PATH)
  28. if ckpt and ckpt.model_checkpoint_path:
  29. # 加载模型
  30. saver.restore(sess, ckpt.model_checkpoint_path)
  31. # 通过文件名得到模型保存是迭代的轮数
  32. global_step = ckpt.model_checkpoint_path.split('/')[-1].split('-')[-1]
  33. accuracy_score = sess.run(accuracy, feed_dict=validate_feed)
  34. print("After %s training step(s), validation accuracy = %g"%(global_step, accuracy_score))
  35. else:
  36. print('No checkpoint file found')
  37. return
  38. time.sleep(EVAL_INTERVAL_SECS)
  39. # 每次运行都是读取最新保存的模型,并在MNIST验证数据集上计算模型的正确率
  40. # 每隔EVAL_INTERVAL_SECS秒来调用一侧计算正确率的过程以检验训练过程中的正确率变化
  41. # ### 主程序
  42. def main(argv=None):
  43. mnist = input_data.read_data_sets("./MNIST_data", one_hot=True)
  44. evaluate(mnist)
  45. if __name__ == '__main__':
  46. main()
  47. # After 29001 training step(s), validation accuracy = 0.9854

持久化的基于L2正则化和平均滑动模型的MNIST手写数字识别模型的更多相关文章

  1. 使用L2正则化和平均滑动模型的LeNet-5MNIST手写数字识别模型

    使用L2正则化和平均滑动模型的LeNet-5MNIST手写数字识别模型 觉得有用的话,欢迎一起讨论相互学习~Follow Me 参考文献Tensorflow实战Google深度学习框架 实验平台: T ...

  2. 基于sk_learn的k近邻算法实现-mnist手写数字识别且要求97%以上精确率

    1. 导入需要的库 from sklearn.datasets import fetch_openml import numpy as np from sklearn.neighbors import ...

  3. 基于tensorflow的MNIST手写数字识别(二)--入门篇

    http://www.jianshu.com/p/4195577585e6 基于tensorflow的MNIST手写字识别(一)--白话卷积神经网络模型 基于tensorflow的MNIST手写数字识 ...

  4. 基于TensorFlow的MNIST手写数字识别-初级

    一:MNIST数据集    下载地址 MNIST是一个包含很多手写数字图片的数据集,一共4个二进制压缩文件 分别是test set images,test set labels,training se ...

  5. [Python]基于CNN的MNIST手写数字识别

    目录 一.背景介绍 1.1 卷积神经网络 1.2 深度学习框架 1.3 MNIST 数据集 二.方法和原理 2.1 部署网络模型 (1)权重初始化 (2)卷积和池化 (3)搭建卷积层1 (4)搭建卷积 ...

  6. 基于TensorFlow的MNIST手写数字识别-深入

    构建多层卷积神经网络时需要多组W和偏移项b,我们封装2个方法来产生W和b 初级MNIST中用0初始化W和b,这里用噪声初始化进行对称打破,防止产生梯度0,同时用一个小的正值来初始化b避免dead ne ...

  7. 手写数字识别 ----在已经训练好的数据上根据28*28的图片获取识别概率(基于Tensorflow,Python)

    通过: 手写数字识别  ----卷积神经网络模型官方案例详解(基于Tensorflow,Python) 手写数字识别  ----Softmax回归模型官方案例详解(基于Tensorflow,Pytho ...

  8. 手写数字识别 ----Softmax回归模型官方案例注释(基于Tensorflow,Python)

    # 手写数字识别 ----Softmax回归模型 # regression import os import tensorflow as tf from tensorflow.examples.tut ...

  9. 基于Numpy的神经网络+手写数字识别

    基于Numpy的神经网络+手写数字识别 本文代码来自Tariq Rashid所著<Python神经网络编程> 代码分为三个部分,框架如下所示: # neural network class ...

随机推荐

  1. Weighted Median

    For n elements x1, x2, ..., xn with positive integer weights w1, w2, ..., wn. The weighted median is ...

  2. 《Linux内核与分析》第六周

    20135130王川东 1.操作系统的三大管理功能包括:进程管理,内存管理,文件系统. 2. Linux内核通过唯一的进程标识PID来区别每个进程.为了管理进程,内核必须对每个进程进行清晰的描述,进程 ...

  3. YQCB项目介绍

    YQCB记账本软件 制作人:YQCB团队 团队简介:团队成立于2017年11月21日,由陈美琪,张晨阳,邢全阳,刘昭为四人组成. 陈美琪:团队灵魂人物,背负着巨大的压力带起整个团队. 张晨阳:团队领军 ...

  4. TDGA-需求分析

    李青:绝对的技术控,团队中扮演“猪”的角色,勤干肯干,是整个团队的主心骨,课上紧跟老师的步伐,下课谨遵老师的指令,课堂效率高,他的编程格言“没有编不出来的程序,只有解决不了的bug”. 胡金辉:半两油 ...

  5. 本周WEB技术学习情况

    相较于之前本周有了明显的进步    之前不熟悉的知识点在多次的实机中得到巩固加深,用得越来越得心应手 我认为只要多用功更加自主的学习  web其实并不难 希望自己天天进步

  6. 0324操作系统cmd功能的扩展

    需求:1.实现清屏功能 2.实现不区分大小写功能 3.添加功能能添加新的命令符 设计:1.使用system("cls")清屏. 2.使用strlwr()函数把大写都变成小写 3.( ...

  7. DB2 日志

    跟Oracle类似DB2也分为两个模式,日志循环vs归档日志,也就是非归档和归档模式,下面对这两种模式做简单的介绍. 日志循环 日志循环是默认方式,也就是非归档模式,这种模式只支持backup off ...

  8. cobbler配置要基于PXE 环境,cobbler是pxe环境的二次封装

    一:安装cobbler.httpd yum install -y cobbler httpd 二:启动cobbler.httpd systemctl start cobblerd.service sy ...

  9. Java实现的词频统计——功能改进

    本次改进是在原有功能需求及代码基础上额外做的修改,保证了原有的基础需求之外添加了新需求的功能. 功能: 1. 小文件输入——从控制台由用户输入到文件中,再对文件进行统计: 2.支持命令行输入英文作品的 ...

  10. Win server 2016 升级 Win server 2019 [测试验证]

    . 给win server 2016 挂在 win server 2019 的安装盘 2. 点击setup 直接进行安装操作  选择不下载更新, 然后到达输入序列号的界面 序列号为: WMDGN-G9 ...