2.1.3.9 完善模型功能
- 1、增加准确率计算
- 2、增加变量tensorboard显示
- 3、增加模型保存加载
- 4、增加模型预测结果输出
如何计算准确率
- equal_list = tf.equal(tf.argmax(y, 1), tf.argmax(y_label, 1))
- accuracy = tf.reduce_mean(tf.cast(equal_list, tf.float32))
- 模型评估（计算准确性）
# 5、得出每次训练的准确率（通过真实值和预测值进行位置比较，每个样本都比较） with tf.variable_scope("accuracy"): equal_list = tf.equal(tf.argmax(y_true, 1), tf.argmax(y_predict, 1)) accuracy = tf.reduce_mean(tf.cast(equal_list, tf.float32))
增加变量tensorboard显示
- 在会话外当中增加以下代码
# (1)、收集要显示的变量 # 先收集损失和准确率 tf.summary.scalar("losses", loss) tf.summary.scalar("acc", accuracy) # 维度高的张量值 tf.summary.histogram("w1", weight_1) tf.summary.histogram("b1", bias_1) # 维度高的张量值 tf.summary.histogram("w2", weight_2) tf.summary.histogram("b2", bias_2) # 初始化变量op init_op = tf.global_variables_initializer() # （2）、合并所有变量op merged = tf.summary.merge_all()
在会话当中去创建文件写入每次的变量值
# （1）创建一个events文件实例 file_writer = tf.summary.FileWriter("./tmp/summary/", graph=sess.graph) # 运行合变量op，写入事件文件当中 summary = sess.run(merged, feed_dict={x: mnist_x, y_true: mnist_y}) file_writer.add_summary(summary, i)
增加模型保存加载
创建Saver，然后保存
# 创建模型保存和加载 saver = tf.train.Saver() # 每隔100步保存一次模型 if i % 100 == 0: saver.save(sess, "./tmp/modelckpt/fc_nn_model")
在训练之前加载模型
# 加载模型 if os.path.exists("./tmp/modelckpt/checkpoint"): saver.restore(sess, "./tmp/modelckpt/fc_nn_model")
增加模型预测结果输出
增加标志位
tf.app.flags.DEFINE_integer("is_train", 1, "指定是否是训练模型，还是拿数据去预测") FLAGS = tf.app.flags.FLAGS 然后判断是否训练，如果不是训练就直接预测，利用tf.argmax对样本的真实目标值y_true，和预测的目标值y_predict求出最大值的位置 # 如果不是训练，我们就去进行预测测试集数据 for i in range(100): # 每次拿一个样本预测 mnist_x, mnist_y = mnist.test.next_batch(1) print("第%d个样本的真实值为：%d, 模型预测结果为：%d" % ( i+1, tf.argmax(sess.run(y_true, feed_dict={x: mnist_x, y_true: mnist_y}), 1).eval(), tf.argmax(sess.run(y_predict, feed_dict={x: mnist_x, y_true: mnist_y}), 1).eval() ) )
4.7.3.6 完整代码
import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data # 定义一个是否训练、预测的标志 tf.app.flags.DEFINE_integer("is_train", 1, "训练or预测") FLAGS = tf.app.flags.FLAGS def full_connected_nn(): """ 全连接层神经网络进行Mnist手写数字识别训练 :return: """ mnist = input_data.read_data_sets("./data/mnist/input_data/", one_hot=True) # 1、获取数据，定义特征之和目标值张量 # x with tf.variable_scope("data"): # 定义特征值占位符 x = tf.placeholder(tf.float32, [None, 784], name="feature") # 定义目标值占位符 y_true = tf.placeholder(tf.int32, [None, 10], name="label") # 2、根据识别的类别数，建立全连接层网络 # 手写数字10个类别 # 设计了一层的神经网络，最后一层，10个神经元 # 确定网络的参数weight [784, 10] bias[10] # 要进行全连接层的矩阵运算 [None, 784]*[784, 64] + [64] = [None,64] # [None, 64]*[64, 10] + [10] = [None,10] with tf.variable_scope("fc_model"): # 第一层：随机初始化权重和偏置参数，要使用变量OP 定义 weight_1 = tf.Variable(tf.random_normal([784, 64], mean=0.0, stddev=1.0), name="weightes_1") bias_1 = tf.Variable(tf.random_normal([64], mean=0.0, stddev=1.0), name='biases_1') # 第二层：随机初始化权重和偏置参数，要使用变量OP 定义 weight_2 = tf.Variable(tf.random_normal([64, 10], mean=0.0, stddev=1.0), name="weightes_2") bias_2 = tf.Variable(tf.random_normal([10], mean=0.0, stddev=1.0), name='biases_2') # 全连接层运算 # 10个神经元 # y_predict = [None,10] y1 = tf.matmul(x, weight_1) + bias_1 y_predict = tf.matmul(y1, weight_2) + bias_2 # 3、根据输出结果与真是结果建立softmax、交叉熵损失计算 with tf.variable_scope("softmax_cross"): # 先进性网络输出的值的概率计算softmax,在进行交叉熵损失计算 all_loss = tf.nn.softmax_cross_entropy_with_logits(labels=y_true, logits=y_predict, name="compute_loss") # 求出平均损失 loss = tf.reduce_mean(all_loss) # 4、定义梯度下降优化器进行优化 with tf.variable_scope("GD"): train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss) # 5、求出每次训练的准确率为 with tf.variable_scope("accuracy"): # 求出每个样本是否相等的一个列表 equal_list = tf.equal(tf.argmax(y_true, 1), tf.argmax(y_predict, 1)) # 计算相等的样本的比例 accuracy = tf.reduce_mean(tf.cast(equal_list, tf.float32)) # 1、收集要在tensorboard观察的张量值 # 数值型-->scalar 准确率，损失 tf.summary.scalar("loss", loss) tf.summary.scalar("acc", accuracy) # 维度高的张量值 tf.summary.histogram("w1", weight_1) tf.summary.histogram("b1", bias_1) # 维度高的张量值 tf.summary.histogram("w2", weight_2) tf.summary.histogram("b2", bias_2) # 2、合并变量 merged = tf.summary.merge_all() # 1、创建保存模型的OP saver = tf.train.Saver() # 开启会话进行训练 with tf.Session() as sess: # 初始化变量OP sess.run(tf.global_variables_initializer()) # 创建events文件 file_writer = tf.summary.FileWriter("./tmp/summary/", graph=sess.graph) # 加载本地模型继续训练或者拿来进行预测测试集 # 加载模型，从模型当中找出与当前训练的模型代码当中（名字一样的OP操作）,覆盖原来的值 ckpt = tf.train.latest_checkpoint("./tmp/model/") # 判断模型是否存在 if ckpt: saver.restore(sess, ckpt) if FLAGS.is_train == 1: # 循环训练 for i in range(2000): # 每批次给50个样本 mnist_x, mnist_y = mnist.train.next_batch(50) _, loss_run, acc_run, summary = sess.run([train_op, loss, accuracy, merged], feed_dict={x: mnist_x, y_true: mnist_y}) print("第 %d 步的50个样本损失为：%f , 准确率为：%f" % (i, loss_run, acc_run)) # 3、写入运行的结果到文件当中 file_writer.add_summary(summary, i) # 每隔100步保存一次模型的参数 if i % 100 == 0: saver.save(sess, "./tmp/model/fc_nn_model") else: # 进行预测 # 预测100个样本 for i in range(100): # label [1, 10] image, label = mnist.test.next_batch(1) # 直接运行网络的输出预测结果 print("第 %d 样本，真实的图片数字为：%d, 神经网络预测的数字为：%d " % ( i, tf.argmax(label, 1).eval(), tf.argmax(sess.run(y_predict, feed_dict={x: image, y_true: label}), 1).eval() )) return None if __name__ == '__main__': full_connected_nn()
4.7.4 调整学习率调整网络参数带来的问题
如果我们对网络当中的学习率进行修改，也就是一开始我们并不会知道学习率填哪些值，也并不知道调整网络的参数大小带来的影响（第一部分第四节）。
- 假设学习率调整到1，2
- 假设参数调整到比较大的值，几十、几百
总结：参数调整了之后可能没影响，是因为网络较小，可能并不会造成后面所介绍的梯度消失或者梯度爆炸
4.7.5总结
- 掌握softmax公式以及特点
- tensorflow.examples.tutorials.mnist.input_data 获取Mnist数据
- tf.matmul(a, b,name=None)实现全连接层计算
- tf.train.GradientDescentOptimizer(learning_rate).minimize(loss)实现梯度下降优化
