第5章 MNIST数字识别问题——全模型

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

INPUT_NODE = 784  # 输入节点
OUTPUT_NODE = 10  # 输出节点
LAYER1_NODE = 500  # 隐藏层数

BATCH_SIZE = 100  # 每次batch打包的样本个数

# 模型相关的参数
LEARNING_RATE_BASE = 0.8
LEARNING_RATE_DECAY = 0.99
REGULARAZTION_RATE = 0.0001
TRAINING_STEPS = 5000
MOVING_AVERAGE_DECAY = 0.99

def inference(input_tensor, avg_class, weights1, biases1, weights2, biases2):
    # 不使用滑动平均类
    if avg_class == None:
        layer1 = tf.nn.relu(tf.matmul(input_tensor, weights1) + biases1)
        return tf.matmul(layer1, weights2) + biases2

    else:
        # 使用滑动平均类
        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)


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]))

	# 计算不含滑动平均类的前向传播结果
	y = inference(x, None, weights1, biases1, weights2, biases2)

	# 定义训练轮数及相关的滑动平均类
	global_step = tf.Variable(0, trainable=False)
	variable_averages = tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY, global_step)
	variables_averages_op = variable_averages.apply(tf.trainable_variables())
	average_y = inference(x, variable_averages, weights1, biases1, weights2, biases2)

	# 计算交叉熵及其平均值
	# cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(y, tf.argmax(y_, 1))
	# cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=y, logits=tf.argmax(y_, 1))
	cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=tf.argmax(y_, 1), logits=y)

	cross_entropy_mean = tf.reduce_mean(cross_entropy)

	# 损失函数的计算
	regularizer = tf.contrib.layers.l2_regularizer(REGULARAZTION_RATE)
	regularaztion = regularizer(weights1) + regularizer(weights2)
	loss = cross_entropy_mean + regularaztion

	# 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,
		staircase=True)

	# 优化损失函数
	train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss, global_step=global_step)

	# 反向传播更新参数和更新每一个参数的滑动平均值
	with tf.control_dependencies([train_step, variables_averages_op]):
		train_op = tf.no_op(name='train')

	# 计算正确率
	correct_prediction = tf.equal(tf.argmax(average_y, 1), tf.argmax(y_, 1))
	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.global_variables_initializer().run()
		validate_feed = {x: mnist.validation.images, y_: mnist.validation.labels}
		test_feed = {x: mnist.test.images, y_: mnist.test.labels}

		# 循环的训练神经网络。
		for i in range(TRAINING_STEPS):
			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))

			xs, ys = mnist.train.next_batch(BATCH_SIZE)
			sess.run(train_op, feed_dict={x: xs, y_: ys})

		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)))

def main(argv=None):
    mnist = input_data.read_data_sets("../Data_sets/MNIST_data", one_hot=True)
    train(mnist)

if __name__=='__main__':
    main()

# 全模型伪代码：
# 导包及节点设置
# 模型相关的参数
# def inference 不使用滑动平均类 与 使用滑动平均类
# def train流程
     # 生成隐藏层的参数
	 # 生成输出层的参数
	 # 计算不含滑动平均类的前向传播结果
	 # 定义训练轮数及相关的滑动平均类
	 # 计算交叉熵及其平均值
	 # 损失函数的计算
	 # 设置指数衰减的学习率
	 # 优化损失函数
	 # 反向传播更新参数和更新每一个参数的滑动平均值
	 # 计算正确率
	 # 初始化会话，并开始训练过程
	 	# 循环训练神经网络

# 在此基础上可以进行的修改：
     # 不使用正则化
     # 不使用指数衰减的学习率
     # 不使用激活函数
     # 不使用隐藏层
     # 不使用滑动平均

 修改模型的注意事项：

1不使用正则化

REGULARAZTION_RATE = 0.0001 不需要设置了

而且后面计算损失函数也需要相应的改变

2不使用指数衰减的学习率

LEARNING_RATE_DECAY = 0.99 不需要设置了

# 设置指数衰减的学习率。 这一步也不需要了

3不使用激活函数

#是否使用滑动平均类那里 不用加relu

4不使用隐藏层

#隐藏参数 没有

#生成隐藏层的参数 没有

5不使用滑动平均

MOVING_AVERAGE_DECAY = 0.99 没有

# 定义训练轮数及相关的滑动平均类 改一下