说得好

  • 2

    获得赞
  • 1

    发布的文章
  • 0

    答辩的项目

MNIST数字识别问题(一)

TensorFlow

最后更新 2020-08-14 15:49 阅读 6824

最后更新 2020-08-14 15:49

阅读 6824

TensorFlow

关键词: 隐藏层、激活函数、正则化、指数衰减的学习率、滑动平均模型 

准备:下载数据集 

  • tensorflow提供了input_data类可以下载和处理MNIST数据 
  • 将数据从原始的数据包来解析成训练和测试神经网络时使用的格式,每张图片是一个长度为784的一维数组,数组中每个元素对应图片像素矩阵中的每一个数字,数字的取值范围为[0,1],代表颜色深浅 
  • mnist.train.next_batch函数可以从训练数据中读取一小部分作为训练batch   
from tensorflow.examples.tutorials.mnist import input_data
mnist =input_data.read_data_sets("./data/MNIST_data",one_hot=True)
print(len(mnist.train.images[0])) 

关键点:

1.使用滑动平均模型,将每一轮迭代得到的模型综合起来,从而使最终得到的模型更加健壮

# 定义一个变量用于计算滑动平均,这个变量的初始值为0
v1 = tf.Variable(0,dtype=tf.float32)
# step用于模拟神经网络中迭代的轮数,用于动态控制衰减率
step = tf.Variable(0,trainable=False)
# 初始化一个滑动平均的类
ema = tf.train.ExponentialMovingAverage(0.99,step)
# 定义一个更新变量滑动平均的操作,给定一个列表,每次执行这条语句时,列表中的变量都会被更新
maintain_averages_op = ema.apply([v1])

with tf.Session() as sess:
    init_op = tf.initialize_all_variables()
    sess.run(init_op)
    sess.run(maintain_average_op)

2.指数衰减的学习率,使前期更快收敛,后期更加稳定

global_step = tf.Variable(0)
# 通过exponential_decay函数生成学习率
# 0.1表示初始学习率,global_step表示当前迭代轮数,100和0.96表示每100轮学习率*0.96,staircase=True表示
# 按照阶梯递减
learning_rate = tf.train.exponential_decay(0.1,global_step,100,0.96,staircase=True)

# 使用指数衰减的学习率,在minimize函数中传入global_step会自动更新global_step参数,从而使学习率也得到更新
learning_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss,global_step=global_step)

3.正则化解决过拟合问题

损失函数中加入刻画模型复杂度的指标,优化的时候优化J(θ)+γR(w),R(w)表示模型复杂度,分为L1正则和L2正则

代码:

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


# xs,ys = mnist.train.next_batch(batch_size)

# MNIST数据集相关参数
INPUT_NODE = 784 # 输入层节点个数
OUTPUT_NODE = 10 # 输出层节点个数

# 排至神经网络的参数
LAYER1_NODE = 500 # 隐藏层节点数
BATCH_SIZE = 100 # 一个batch训练数据个数
LEARNING_RATE_BASE = 0.8 # 基础学习率
LEARNING_RATE_DECAY = 0.99 # 学习率的衰减率
REGULARIZATION_RATE = 0.0001 # 正则化项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


# 给定神经网络的输入和所有参数,计算神经网络的前向传播结果的函数
# 三层全连接神经网络
def inference(input_tensor,avg_class,weights1,biases1,weights2,biases2):
    """
    :param input_tensor: 输入张量
    :param avg_class: 用于计算参数平均值的类,方便测试时使用滑动平均模型
    :return:
    """
    # 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:
        layer1 = tf.nn.relu(tf.matmul(input_tensor,weights1) + biases1)
        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,
        # 然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
    weithts1 = 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
    weithts2 = tf.Variable(tf.truncated_normal([LAYER1_NODE,OUTPUT_NODE],stddev=0.1))
    biases2 = tf.Variable(tf.constant(0.1,shape=[OUTPUT_NODE]))

    # 计算当前参属下神经网络前向传播结果,没有滑动平均
    y = inference(x,None,weithts1,biases1,weithts2,biases2)

    # 定义存储训练轮数的变量
    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
    variable_averages = tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY,global_step)

    # 在所有代表神经网络参数的变量上使用滑动平均
    variable_averages_op = variable_averages.apply(tf.trainable_variables())

    # 计算使用了滑动平均之后的前向传播结果
    average_y = inference(x,variable_averages,weithts1,biases1,weithts2,biases2)

    # 计算交叉熵作为刻画预测值和真实值之间差距的损失函数
    cross_entropy= tf.nn.sparse_softmax_cross_entropy_with_logits(labels=tf.argmax(y_,1),logits=y)
    # 计算在当前batch中所有样例的交叉熵平均值
    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
    regularization = regularizer(weithts1) + regularizer(weithts2)
    # 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,global_step,mnist.train.num_examples / BATCH_SIZE,LEARNING_RATE_DECAY)

    # 使用tf.train.GradientDescentOptimizer优化算法来优化损失函数
    train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss,global_step=global_step)
    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网络向前传播结果是否正确
    correct_prediction = tf.equal(tf.argmax(average_y,1),tf.argmax(y_,1))
    # 将布尔型的数值转换为实数型,然后计算平均值,即为正确率
    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
        validate_feed = {x:mnist.validation.images,y_:mnist.validation.labels}
        # 准备测试数据
        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:
                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})

        # 在结束训练之后,在测试数据集上检验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):
    mnist = input_data.read_data_sets("./data/MNIST_data",one_hot=True)
    train(mnist)

# TensorFlow提供的一个主程序入口,tf.app.run会调用上面定义的main函数


if __name__ == '__main__':
    tf.app.run()

总结:

滑动平均模型和指数衰减的学习率主要影响模型收敛的速度,对正确率影响不明显,正则化对模型正确率影响比较大


本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可,转载请附上原文出处链接和本声明。
本文链接地址:https://www.flyai.com/article/660
讨论
500字
表情
发送
删除确认
是否删除该条评论?
取消 删除