代码:tensorflow/examples/tutorials/mnist/
本篇教程的目的,是向大家展示如何利用TensorFlow使用(经典)MNIST数据集训练并评估一个用于识别手写数字的简易前馈神经网络。 本教程的目标读者是经验丰富的机器学习用户并有兴趣使用TensorFlow。
这些教程并不是为了教大家机器学习的基础知识。
请确保你已经按照说明安装TensorFlow。
本教程引用了以下文件:
文件 | 目的 |
---|---|
mnist.py |
构建完全连接的MNIST模型的代码。 |
fully_connected_feed.py |
主要代码使用Feed字典针对下载的数据集训练构建的MNIST模型。 |
只需直接运行fully_connected_feed.py
文件就可以开始训练:
python fully_connected_feed.py
MNIST是机器学习中的一个经典问题。 这个问题是查看28x28像素的手写数字灰度图像,并确定图像表示0到9中的哪一个数字。
有关更多信息,请参阅Yann LeCun的MNIST页面或Chris Olah对MNIST的可视化。
在run_training()
方法的顶部,input_data.read_data_sets()
函数将确保正确的数据已下载到你的本地训练文件夹,然后解包该数据以返回DataSet
实例的字典。
data_sets = input_data.read_data_sets(FLAGS.train_dir, FLAGS.fake_data)
注:fake_data
标志用于单元测试,读者可以完全忽略。
数据集 | 目的 |
---|---|
data_sets.train |
55000张图像和标签,主要作为训练集。 |
data_sets.validation |
5000张图像和标签,用于迭代验证训练准确度。 |
data_sets.test |
10000张图像和标签,用于最终测试训练的准确度。 |
placeholder_inputs()
函数创建两个tf.placeholder
操作,它们定义图的输入的形状,包括batch_size
和将要输入的实际训练的样本。
images_placeholder = tf.placeholder(tf.float32, shape=(batch_size,
mnist.IMAGE_PIXELS))
labels_placeholder = tf.placeholder(tf.int32, shape=(batch_size))
进一步下来,在训练循环中,将完整图像和标签数据集切片,以适应每个步骤的batch_size
,与这些placeholder操作匹配,然后使用feed_dict
参数传入给sess.run()
函数。
在为数据创建placeholder之后,下面的图是根据三段模式从mnist.py
文件构建:inference()
、loss()
和training()
。
inference()
— 根据运行网络进行预测的要求,构建图。loss()
— 向inference图中添加生成损失所需的操作。training()
— 将loss图添加计算和应用梯度所需的操作。inference()
函数尽可能根据需要构建图,返回的张量包含输出的预测。
它将图像placeholder作为输入,并在其上构建具有ReLU激活的一对完全连接的层,之后是指定输出逻辑的十个节点线性层。
每一层都创建于一个唯一的tf.name_scope
之下,它用作创建于该作用域之下的所有元素的前缀。
with tf.name_scope('hidden1'):
在定义的作用域内,这些层中每一层所使用的权重和偏置将生成到tf.Variable
实例中,并具有所需的形状:
weights = tf.Variable(
tf.truncated_normal([IMAGE_PIXELS, hidden1_units],
stddev=1.0 / math.sqrt(float(IMAGE_PIXELS))),
name='weights')
biases = tf.Variable(tf.zeros([hidden1_units]),
name='biases')
例如,当这些变量在hidden1
作用域内创建时,将赋予weights变量唯一的名称“hidden1/weights
”。
每个变量都被赋予initializer操作,并作为它们构建的一部分。
在这种最常见的情况下,使用tf.truncated_normal
初始化权重,并给出它们的二维张量的形状,其中第一个dim表示权重连接的图层中的单位数,第二个dim表示权重连接的图层中的单元数量。 对于名为hidden1
的第一个图层,尺寸为[IMAGE_PIXELS,hidden1_units]
,因为权重会将图像输入连接到hidden1图层。 tf.truncated_normal
初始值设定项生成一个具有给定均值和标准差的随机分布。
然后用tf.zeros
初始化偏置,以确保它们以所有零值开始,它们的形状仅仅是它们连接的图层中的单元数。
The graph's three primary ops -- two tf.nn.relu
ops wrapping tf.matmul
for the hidden layers and one extra tf.matmul
for the logits -- are then created, each in turn, with separate tf.Variable
instances connected to each of the input placeholders or the output tensors of the previous layer.
hidden1 = tf.nn.relu(tf.matmul(images, weights) + biases)
hidden2 = tf.nn.relu(tf.matmul(hidden1, weights) + biases)
logits = tf.matmul(hidden2, weights) + biases
最后,返回将包含输出的logits
张量。
loss()
函数通过添加所需的损失操作来进一步构建图表。
首先,将labels_placeholder
中的值转换为64位整数。 然后,添加一个tf.nn.sparse_softmax_cross_entropy_with_logits
op,以自动从labels_placeholder
产生1个热标签,并比较来自推理() t3>功能与这些单热标签。
labels = tf.to_int64(labels)
cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(
labels=labels, logits=logits, name='xentropy')
然后它使用tf.reduce_mean
来平均批量维度(第一维度)上的交叉熵值作为总损失。
loss = tf.reduce_mean(cross_entropy, name='xentropy_mean')
然后返回包含损失值的张量。
注意:交叉熵是信息理论中的一个概念,它允许我们描述相信神经网络的预测有多糟糕,因为实际上是真的。 欲了解更多信息,请阅读博客文章视觉信息理论(http://colah.github.io/posts/2015-09-Visual-Information/)
training()
函数通过渐变下降添加了最小化损失所需的操作。
首先,它从loss()
函数获取损失张量并将其传递给tf.summary.scalar
,用于在使用事件文件时生成汇总值用tf.summary.FileWriter
(见下文)。 在这种情况下,每次写出摘要时它都会发出损失的快照值。
tf.summary.scalar('loss', loss)
接下来,我们实例化一个tf.train.GradientDescentOptimizer
,负责应用所需学习率的梯度。
optimizer = tf.train.GradientDescentOptimizer(learning_rate)
然后,我们生成一个变量来包含全局训练步骤的计数器,并且tf.train.Optimizer.minimize
op用于更新系统中的可训练权重并增加全局步长。 按照惯例,这个操作符被称为train_op
,它是TensorFlow会话必须执行的操作,以便引导一个完整的训练步骤(见下文)。
global_step = tf.Variable(0, name='global_step', trainable=False)
train_op = optimizer.minimize(loss, global_step=global_step)
构建图形后,可以在由fully_connected_feed.py
中的用户代码控制的循环中对其进行迭代训练和评估。
在run_training()
函数的顶部是一个带有命令的python ,它指示所有构建的操作将与默认全局
tf.Graph
with tf.Graph().as_default():
一个tf.Graph
是可以作为一个组一起执行的ops的集合。 大多数TensorFlow使用只需要依赖单个默认图形。
更复杂的使用多个图是可能的,但超出了这个简单教程的范围。
一旦完成了所有构建准备并生成了所有必需的操作,就会创建tf.Session
来运行该图。
sess = tf.Session()
或者,可以将会话
生成为带有块的用于作用域:
with tf.Session() as sess:
会话的空参数表示此代码将附加到(或创建,如果尚未创建)默认本地会话。
在创建会话之后,立即通过调用tf.Session.run
初始化所有tf.Variable
实例的初始化操作。
init = tf.global_variables_initializer()
sess.run(init)
tf.Session.run
方法将运行与作为参数传递的op相对应的图的完整子集。 In this first call, the init
op is a tf.group
that contains only the initializers for the variables. 没有其他的图表在这里运行;发生在下面的训练循环中。
通过会话初始化变量后,可开始培训。
用户代码控制每一步的训练,最简单的可以进行有用训练的循环是:
for step in xrange(FLAGS.max_steps):
sess.run(train_op)
但是,本教程稍微复杂一些,因为它必须将每个步骤的输入数据切片以匹配先前生成的占位符。
对于每一步,代码将生成一个饲料字典,该饲料字典将包含一组步骤的实例,并由它们所代表的占位符操作。
在fill_feed_dict()
函数中,为给定的DataSet
查询其下一个batch_size
图像和标签集,并且匹配占位符的张量被填充包含下面的图像和标签。
images_feed, labels_feed = data_set.next_batch(FLAGS.batch_size,
FLAGS.fake_data)
然后生成一个python字典对象,其占位符作为关键字并将代表性的张量作为值输入。
feed_dict = {
images_placeholder: images_feed,
labels_placeholder: labels_feed,
}
它被传递给sess.run()
函数的feed_dict
参数以提供这一步训练的输入示例。
该代码指定了两个要在其运行调用中获取的值:[train_op,loss]
。
for step in xrange(FLAGS.max_steps):
feed_dict = fill_feed_dict(data_sets.train,
images_placeholder,
labels_placeholder)
_, loss_value = sess.run([train_op, loss],
feed_dict=feed_dict)
Because there are two values to fetch, sess.run()
returns a tuple with two items. 要获取的值列表中的每个Tensor
对应于返回元组中的一个numpy数组,在此步训练过程中填充该张量的值。 由于train_op
是一个没有输出值的Operation
,所以返回的元组中的对应元素是None
,因此被丢弃。 However, the value of the loss
tensor may become NaN if the model diverges during training, so we capture this value for logging.
假设训练在没有NaN的情况下运行良好,训练循环还会每100步打印一个简单的状态文本,以让用户知道训练状态。
if step % 100 == 0:
print('Step %d: loss = %.2f (%.3f sec)' % (step, loss_value, duration))
为了发出由TensorBoard使用的事件文件,在图构建阶段,所有的摘要(在这种情况下,只有一个)被收集到一个张量中。
summary = tf.summary.merge_all()
然后,在创建会话之后,可以实例化tf.summary.FileWriter
来编写事件文件,这些文件既包含图本身,也包含汇总值。
summary_writer = tf.summary.FileWriter(FLAGS.train_dir, sess.graph)
最后,每次评估summary
并将输出传递给writer的add_summary()
函数时,事件文件将使用新的汇总值进行更新。
summary_str = sess.run(summary, feed_dict=feed_dict)
summary_writer.add_summary(summary_str, step)
当写入事件文件时,TensorBoard可以在训练文件夹中运行以显示摘要中的值。
NOTE: For more info about how to build and run Tensorboard, please see the accompanying tutorial Tensorboard: Visualizing Learning.
为了发出一个检查点文件,这个文件可以用来为以后的训练或评估恢复模型,我们实例化一个tf.train.Saver
。
saver = tf.train.Saver()
在训练循环中,定期调用tf.train.Saver.save
方法将训练目录中的检查点文件写入所有可训练变量的当前值。
saver.save(sess, FLAGS.train_dir, global_step=step)
在将来的某个时间点,可以通过使用tf.train.Saver.restore
方法重新加载模型参数来恢复培训。
saver.restore(sess, FLAGS.train_dir)
每千步,代码将尝试根据训练和测试数据集来评估模型。 对于训练,验证和测试数据集,do_eval()
函数称为三次。
print('Training Data Eval:')
do_eval(sess,
eval_correct,
images_placeholder,
labels_placeholder,
data_sets.train)
print('Validation Data Eval:')
do_eval(sess,
eval_correct,
images_placeholder,
labels_placeholder,
data_sets.validation)
print('Test Data Eval:')
do_eval(sess,
eval_correct,
images_placeholder,
labels_placeholder,
data_sets.test)
请注意,更复杂的用法通常会将
data_sets.test
隔离,以便在大量超参数调整后才进行检查。 然而,为了简单的MNIST问题,我们对所有数据进行评估。
在进入训练循环之前,Eval op应该是通过使用与相同的logits / labels参数调用
函数。mnist.py
中的evaluation()
loss()
eval_correct = mnist.evaluation(logits, labels_placeholder)
evaluation()
函数简单地生成一个tf.nn.in_top_k
操作,如果可以在K中找到真实标签,那么它可以自动将每个模型输出评分为正确预测。 在这种情况下,我们将K的值设置为1,以仅考虑真实标签的预测正确性。
eval_correct = tf.nn.in_top_k(logits, labels, 1)
然后可以创建一个循环来填充feed_dict
并针对eval_correct
op调用sess.run()
来评估给定数据集上的模型。
for step in xrange(steps_per_epoch):
feed_dict = fill_feed_dict(data_set,
images_placeholder,
labels_placeholder)
true_count += sess.run(eval_correct, feed_dict=feed_dict)
true_count
变量简单地累计in_top_k
op确定为正确的所有预测值。 从那里,精确度可以通过简单除以示例的总数来计算。
precision = true_count / num_examples
print(' Num examples: %d Num correct: %d Precision @ 1: %0.04f' %
(num_examples, true_count, precision))