mnist手写数字识别

数据包连接：http://pan.baidu.com/s/1bp2egtL 密码：lmkb

修改程序中文件地址:"E:/eclipseSpace/TensorflowTestPython/src/dataset"，将数据包放在这个路径下便可。

 

# 手写识别

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("E:/eclipseSpace/TensorflowTestPython/src/dataset", one_hot=True)
batch_size = 100
xs, ys = mnist.train.next_batch(batch_size)
# 从train的集合中选取batch_size个训练数据
print("X shape:", xs.shape)
print("Y shape:", ys.shape)

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

# 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。由于MNIST数据集中须要区分的是0-9这10个数字，因此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做为样例
                # 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，随机梯度降低；数字越大时，训练越接近梯度降低
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
TRAINING_STEPS = 30000  # 训练轮数
MOVING_AVERAGE_DECAY = 0.99  # 滑动平均衰减率

# 一个辅助函数，给定神经网络的输入和全部参数，计算神经网络的前向传播结果。
# 在这里定义了一个使用ReLU激活函数的三层全链接神经网络。经过加入隐藏层实现了多层网络结构
# 经过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。由于在计算损失函数时会一并计算softmax函数
        # 因此这里不须要加入激活函数。并且不加入softmax不会影响预测结果。由于预测时
        # 使用的是不一样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，
        # 而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
    # 因此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。这个变量不须要计算滑动平均值，因此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
    # 通常会将表明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能够加快训练早期变量的更新速度
    variable_averages = tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY, global_step)
    
    # 在全部表明神经网络参数的变量上使用滑动平均。其余辅助变量(好比g  lobal_step)就不须要了
    # 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全部没有指定你trainable=False的参数
    variable_averages_op = variable_averages.apply(tf.trainable_variables())
    
    # 计算使用了滑动平均以后的前向传播结果。
    # 须要明确调用average函数
    average_y = inference(x, variable_averages, weights1, biases1, weights2, biases2)
    
    # 计算交叉熵做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，因此可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。
    # 由于标准答案是一个长度为10的一维数组，而该函数须要提供一个正确答案的数字，因此须要使用tf.argmax函数来获得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中全部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。通常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,  # 过完全部的训练数据须要的迭代次数 
        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
    train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss, global_step=global_step)
    # 在训练神经网络模型时，每过一遍数据既须要经过反向传播来更新神经网络中的参数
    # 又要更新每个参数的滑动平均值。为了一次完成多个操做，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
    with tf.control_dependencies([train_step, variable_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"表示选取最大的操做仅在第一个维度
    # 中进行，也就是说，只在每一行选取最大值对应的下标。因而获得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，若是相等返回True,不然返回False
    correct_prediction = tf.equal(tf.arg_max(average_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，而后计算平均值。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。通常在神经网络的训练过程当中会经过验证数据来大体判断中止的
        # 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，这个数据只是做为
        # 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:
                # 计算滑动平均模型在验证数据上的结果。由于MNIST数据集比较小，因此一次
                # 能够处理全部的验证数据。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
                # 会致使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)
                print("After %d training step(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})
        # 在训练结束以后，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):
    # 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("E:/eclipseSpace/TensorflowTestPython/src/dataset", one_hot=True)
    train(mnist)
    
main()