同乐学堂
本文以TensorFlow源码中自带的手写数字识别Example为例，引出TensorFlow中的几个主要概念。并结合Example源码一步步分析该模型的实现过程。
一、什么是TensorFlow
关于 TensorFlowTensorFlow™ 是一个采用数据流图（data flowgraphs），用于数值计算的开源软件库。节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。它灵活的架构让你可以在多种平台上展开计算，例如台式计算机中的一个或多个CPU（或GPU），服务器，移动设备等等。TensorFlow最初由Google大脑小组（隶属于Google机器智能研究机构）的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的研究，但这个系统的通用性使其也可广泛用于其他计算领域。什么是数据流图（Data Flow Graph）?数据流图用“结点”（nodes）和“线”(edges)的有向图来描述数学计算。“节点”一般用来表示施加的数学操作，但也可以表示数据输入（feed in）的起点/输出（pushout）的终点，或者是读取/写入持久变量（persistentvariable）的终点。“线”表示“节点”之间的输入/输出关系。这些数据“线”可以输运“size可动态调整”的多维数据数组，即“张量”（tensor）。张量从图中流过的直观图像是这个工具取名为“Tensorflow”的原因。一旦输入端的所有张量准备好，节点将被分配到各种计算设备完成异步并行地执行运算。
二、示例
接下来的示例中，主要使用到以下两个文件。
mnist.py
fully_connected_feed.py
该示例的目的是建立一个手写图像识别模型，通过该模型，可以准确识别输入的28 * 28像素的手写图片是0~9这十个数字中的哪一个。
1、运行文件准备
需要下载好tensorflow源代码，注意这里的源代码版本需要与安装的TensorFlow版本保持一致。
在/home/mlusr/files/tensorflow/下解压缩该文件。进入示例文件路径中，运行
cd ~/files/tensorflow/tensorflow-r0.11/tensorflow/examples/tutorials/mnist
python fully_connected_feed.py
运行过程中，需要联网下载训练数据，数据文件保存到~/files/tensorflow/tensorflow-r0.11/tensorflow/examples/tutorials/mnist/data路径下，如果不能联网的话，可以手动到http://yann.lecun.com/exdb/mnist/，下载好以下四个文件，放入data目录。
t10k-images-idx3-ubyte.gz
t10k-labels-idx1-ubyte.gz
train-images-idx3-ubyte.gz
train-labels-idx1-ubyte.gz
2、运行
直接运行fully_connected_feed.py文件。
python fully_connected_feed.py
输出信息如下：
Extracting data/train-images-idx3-ubyte.gz
Extracting data/train-labels-idx1-ubyte.gz
Extracting data/t10k-images-idx3-ubyte.gz
Extracting data/t10k-labels-idx1-ubyte.gz
Step 0: loss = 2.30 (0.007 sec)
Step 100: loss = 2.13 (0.005 sec)
Step 200: loss = 1.87 (0.004 sec)
Step 300: loss = 1.55 (0.004 sec)
Step 400: loss = 1.26 (0.004 sec)
Step 500: loss = 0.87 (0.004 sec)
Step 600: loss = 0.87 (0.004 sec)
Step 700: loss = 0.65 (0.005 sec)
Step 800: loss = 0.43 (0.004 sec)
Step 900: loss = 0.65 (0.005 sec)
Training Data Eval:
Num examples: 55000 Num correct: 47184 Precision @ 1: 0.8579
Validation Data Eval:
Num examples: 5000 Num correct: 4349 Precision @ 1: 0.8698
Test Data Eval:
Num examples: 10000 Num correct: 8663 Precision @ 1: 0.8663Step 1000: loss = 0.47 (0.006 sec)
Step 1100: loss = 0.40 (0.051 sec)
Step 1200: loss = 0.55 (0.005 sec)
Step 1300: loss = 0.43 (0.004 sec)
Step 1400: loss = 0.39 (0.004 sec)
Step 1500: loss = 0.57 (0.005 sec)
Step 1600: loss = 0.50 (0.004 sec)
Step 1700: loss = 0.37 (0.005 sec)
Step 1800: loss = 0.38 (0.006 sec)
Step 1900: loss = 0.35 (0.004 sec)
Training Data Eval:
Num examples: 55000 Num correct: 49292 Precision @ 1: 0.8962
Validation Data Eval:
Num examples: 5000 Num correct: 4525 Precision @ 1: 0.9050
Test Data Eval:
Num examples: 10000 Num correct: 9027 Precision @ 1: 0.9027
3、启动TensorBoard并查看
在启动TensorBoard时注意指定输出log文件路径，在本例中启动命令如下
tensorboard --logdir /home/mlusr/files/tensorflow/tensorflow-r0.11/tensorflow/examples/tutorials/mnist/data
1
启动输出信息如下所示：
Starting TensorBoard 29 on port 6006
(You can navigate to http://192.168.1.100:6006)
1
2
浏览器访问页面指定ip和端口：
在TensorBoard中还可以查看该模型的更多信息。
本文接下来的部分，将以mnist.py和fully_connected_feed.py两个文件中的内容
二、数据下载和输入
MNIST的数据主要分成以下三个部分，
|
数据集
|
作用
|
|
data_sets.train
|
55000条image和label数据，主要用于训练模型
|
|
data_sets.validation
|
5000条image和label数据，用于在迭代过程中确定模型准确率
|
|
data_sets.test
|
10000条image和label数据，用于最终评估模型的准确率
|
１、概念一：Placeholder
在fully_connected_feed.py文件中的placeholder_inputs方法中，通过调用tf.placeholder方法分别生成了代表images和labels的placeholder。
IMAGE_SIZE = 28
IMAGE_PIXELS = IMAGE_SIZE * IMAGE_SIZE
images_placeholder = tf.placeholder(tf.float32, shape=(batch_size, mnist.IMAGE_PIXELS))
labels_placeholder = tf.placeholder(tf.int32, shape=(batch_size))
在生成placeholder时，只需要指定其中的数据类型，以及维度。上面images_placeholder中的元素为float类型，维度为batch_size * IMAGE_PIXELS。lagels_placeholder中的元素为int类型，维度为batch_size。batch_size参数在程序调用placeholder_inputs时指定。
看到这里可以发现images_placeholder和labels_placeholder仅仅只是指定了其中元素的类型和shape，具体数值是在后续程序运行时才会填充进来的。所以叫做Placeholder。在这里这两个Placeholder代表了输入的两个数据源。
三、概念二：Graph
Graph是TensorFlow中又一个重要概念。Graph可以理解成TensorFlow中的一个调整好参数的执行计划。构建好这个Graph之后，所有输入数据，中间转换过程，以及输出数据的流程和格式便固定下来，数据进入Graph后按照特定的结构和参数，就能得到对应的输出结果。如下图所示：
构建一个Graph主要分成以下三步。
1、确定Graph结构
inference方法，以images_placeholder作为输入，连接到维度为(28 * 28, 128)的隐层1，隐层1连接到维度为(128, 32)的隐层2，最后的输出层logits为10个节点。各层之间的激活函数为Relu。
下面代码中使用到的常量
IMAGE_SIZE = 28
IMAGE_PIXELS = IMAGE_SIZE * IMAGE_SIZE
flags.DEFINE_integer('hidden1', 128, 'Number of units in hidden layer 1.')
flags.DEFINE_integer('hidden2', 32, 'Number of units in hidden layer 2.')
NUM_CLASSES = 10
构建隐层1，
with tf.name_scope('hidden1'):
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')
上面定义了两个Variable，weights表示连接权重，biases表示偏置量。
biases比较简单，定义了一个名为biases的元素全为0的变量，其长度为hiden1_units，默认为128。
weights的维度为IMAGE_PIXELS * hidden1_units，其中的初始值为标准差为1 / math.sqrt(float(IMAGE_PIXELS)的截断正态分布值。
构建隐层2，
with tf.name_scope('hidden2'):
weights = tf.Variable(tf.truncated_normal([hidden1_units, hidden2_units],
stddev =1.0 / math.sqrt(float(hidden1_units))),
name = 'weights')
biases = tf.Variable(tf.zeros([hidden2_units]),
name ='biases')
构建输出层，
with tf.name_scope('softmax_linear'):
weights = tf.Variable(tf.truncated_normal([hidden2_units, NUM_CLASSES] ,
stddev =1.0 / math.sqrt(float(hidden2_units))) ,
name = 'weights')
biases = tf.Variable(tf.zeros([NUM_CLASSES]),
name ='biases')
基于上面的权重和偏置量值，使用relu激活函数连接各层，
hidden1 = tf.nn.relu(tf.matmul(images, weights) + biases)
hidden2 = tf.nn.relu(tf.matmul(hidden1, weights) + biases)
logits = tf.matmul(hidden2, weights) + biases
前面的三组weights和biases变量名都相同，区分的办法是前面的with tf.name_scope('hidden1')。在hidden1命名空间下的wiehts参数的完整表示为"hidden1/weights"。
2、确定损失函数
上一步确定好模型各层结构和参数后，接下来需要定义一个损失函数的计算逻辑。
在mnist.py文件中有一个loss()方法，输入两个参数，第一个为上面模型的输出结果logits，第二个为images对应的实际labels，在调用该方法时，传入的是前面定义的labels_placeholder。
def loss(logits, labels):
labels = tf.to_int64(labels)
cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(
logits, labels , name = 'xentropy')
loss = tf.reduce_mean(cross_entropy, name ='xentropy_mean')
return loss
上面的tf.nn.sparse_softmax_cross_entropy_with_logits会根据labels的内容自动生成1-hot编码，并且计算与输出logits的1-hot编码的交叉熵[cross entropy][http://blog.csdn.net/rtygbwwwerr/article/details/50778098])
最后，调用reduce_mean方法，计算交叉熵的平均值。
3、参数训练
调用training方法的调用形式为，传入上面的损失值和学习率。
train_op = mnist.training(loss, FLAGS.learning_rate)
接下来，mnist.py文件中的training方法，将使用梯度下降法来计算使得损失值最小的模型参数。首先将损失值loss传入tf.scala_summary中，这个操作主要是用于在后面使用SummaryWriter时向events file中生成求和值，将每一次得到的损失值写出到事件文tf.scalar_summary(loss.op.name, loss)后，调用tf.train.GradientDesecentOptimizer按指定的学习率实现梯度下降算法。
# Create the gradient descent optimizer with the given learning rate.
optimizer = tf.train.GradientDescentOptimizer(learning_rate)
最后，使用一个名为global_step的variable来记录每一次训练的步长。optimizer.minimize操作用于更新系统的权重，同时增加步长。
# Create a variable to track the global step.
global_step = tf.Variable(0, name = 'global_step', trainable =False)
# Use the optimizer to apply the gradients that minimize the loss
# (and also increment the global step counter) as a single training step.
train_op = optimizer.minimize(loss, global_step=global_step)
四、训练模型
当第三步中的Graph构造完成之后，就可以迭代的训练和评估模型了。
1、Graph
在run_training()方法的最前面，使用一个with命令表明所有的操作都要与tf.Graph的默认全局graph相关联。
with tf.Graph().as_default():
tf.Graph表示需要在一起运行的操作集合。在大多数情况下，TensorFlow使用一个默认的graph就已经够用了。
2、Session
接下来就需要为应用运行准备环境了。在TensorFlow中使用的是Session。
sess = tf.Session()
另外，除了按上面这行代码生成sess对象外，还可以使用with命令生成，如下所示，
with tf.Session() as sess:
在获得sess对象后，首先可以将之前定义的variable进行初始化，
init = tf.initialize_all_variables()
sess.run(init)
3、循环训练
初始化之后就可以开始循环训练模型了。
可以通过如下代码实现一个最简单的训练循环，在这个循环中可以控制每次循环的步长。
for step in xrange(FLAGS.max_steps):
sess.run(train_op)
但是在本教程中的例子比较复杂。这是因为必须把输入的数据根据每一步的情况进行切分，替换到之前的placeholder处。具体可以继续看以下部分。
4、向Graph输入数据
feed_dict = fill_feed_dict(data_sets.train,
images_placeholder,
labels_placeholder)
fill_feed_dict方法如下，每次从训练数据集中根据batch_size取出指定数量的images_feed和labels_feed，然后以images_pl和labels_pl为key存入字典中。
def fill_feed_dict (data_set, images_pl, labels_pl):
images_feed, labels_feed = data_set.next_batch(FLAGS.batch_size,
FLAGS.fake_data)
feed_dict = {
images_pl: images_feed,
labels_pl: labels_feed,
}
return feed_dict
5、检查状态
接下来以上面获取到的每个batch的数据开始执行训练过程。
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)
在这里传入train_op和loss后，sess.run方法返回一个包含两个Tensor的tuple对象。由于train_op并没有返回值，所以只记录loss的返回值loss_value。
假设训练过程很正常，那么每过100次训练将会打印一次当前的loss值，
if step % 100 == 0 :
print ('Step %d: loss = %.2f (%.3f sec)' % (step, loss_value, duration))
6、状态可视化
在上面每隔100次打印一次loss值之外，还有两个操作将当前的loss值写入到事件文件中，供TensorBoard作展示用。
summary_str = sess.run(summary, feed_dict=feed_dict)
summary_writer.add_summary(summary_str, step)
summary_writer.flush()
7、设置检查点
在TensorFlow中使用tf.train.Saver将训练好的模型进行保存。
saver = tf.train.Saver()
在循环训练过程中，saver.save()方法会定期执行，用于将模型当前状态写入到检查点文件中。
checkpoint_file = os.path.join(FLAGS.log_dir , 'model.ckpt')
saver.save(sess, checkpoint_file, global_step =step)
如果需要使用到该检查点文件中保存的模型时，可以使用saver.restore()方法进行加载，
saver.restore(sess, FLAGS.train_dir)
五、评估模型
在每次保存检查点文件时，会同时计算此时模型在训练数据集，检验数据集和测试数据集上的误差。
print('Training Data Eval:')
do_eval(sess,
eval_correct,
images_placeholder,
labels_placeholder,
data_sets.train)
# Evaluate against the validation set.
print ('Validation Data Eval:')
do_eval(sess,
eval_correct,
images_placeholder,
labels_placeholder,
data_sets.validation)
# Evaluate against the test set.
print ('Test Data Eval:')
do_eval(sess,
eval_correct,
images_placeholder,
labels_placeholder,
data_sets.test)
1、建立评估Graph
注意上面代码中的do_eval方法，以及该方法的eval_correct参数。eval_correct操作是在循环开始前就已经定义好了的。
eval_correct = mnist.evaluation(logits, labels_placeholder)
这个evaluation从参数上看是用于比较预测值与真实值直接的差异。
def evaluation (logits, labels):
correct = tf.nn.in_top_k(logits, labels, 1)
return tf.reduce_sum(tf.cast(correct, tf.int32))
返回一个长度为batch_size的tensor，如果预测值与真实值相同则为true，否则为false。
2、评估模型输出
最后，在do_eval方法中，处理该误差并输出。类似于模型训练过程中，这里也创建一个feed_dict对象，在给定的数据集上调用sess.run方法，计算预测值中有多少与实际值相一致。
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)
最后，将预测正确的记录数与当前的总数据数进行比较，得到本次的预测精度。
precision = float(true_count) / num_examples
print ('Num examples: %d Num correct: %d Precision @ 1: %0.04f' %
(num_examples, true_count, precision))
作者：dabokele
微信扫一扫，打赏作者吧～
