Tensorflow官方文档中文版学习纪要

上篇MNIST的正确率只有91%，本篇文章用卷积神经网络来改善效果。准确率预计99.2%；

参考：http://blog.csdn.net/smf0504/article/details/56666229

# coding=utf-8  
  
import tensorflow as tf  
  
# import data  
from tensorflow.exaemples.tutorials.mnist import input_data  
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)  
  
# 卷积神经网络会有很多的权重和偏置需要创建  
# 定义初始化函数以便重复使用  
def weigth_variable(shape):  
    # 给权重制造一些随机的噪声来打破完全对称以及避免0梯度,由于我们使用的是ReLU神经元，因此比较好的做法是用一个较小的正数来初始化偏置
    # 项，以避免神经元节点输出恒为0的问题（dead neurons）例如这里截断的正态分布,标准差为0.1  
    inital = tf.truncated_normal(shape, stddev=0.1)  
    return tf.Variable(inital)  
  
def bias_variable(shape):  
    # 由于使用Relu,也给偏置增加一些小的正值(0.1)用来避免死亡节点(dead neurous)  
    inital = tf.constant(0.1, tf.float32, shape)  
    return tf.Variable(inital)  
  
# 卷积层和池化层也是接下来重复使用的  
# 定义卷积层和池化层  
def conv2d(x, W):  
    return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME') #卷积使用步长1，0边距模板，保证输入与输出同大小
  
def max_pool_2X2(x):  
    return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME') #用2X2大小模板做max pooling
  
# 在正式设计卷积神经网络之前,先定义输入placeholder,x是特征,y是真实的label  
x = tf.placeholder(tf.float32, [None, 784])  
y = tf.placeholder(tf.float32, [None, 10])  
x_image = tf.reshape(x, [-1, 28, 28, 1])  
  
# 定义第一个卷积层  
# 先使用前面写好的函数进行参数初始化,包括weigth和bias,  
# 接着使用conv2d函数进行卷积操作,并加上偏置,  
# 然后再使用ReLu激活函数进行非线性处理,  
# 最后,使用最大池化函数对卷积的输出结果进行池化操作  
W_conv1 = weigth_variable([5, 5, 1, 32])  # patch 5x5, in size 1, out size 32  
# 矩阵用大写字母开头,便于自己下面区分(这只是个人建议)  
b_conv1 = bias_variable([32])  
h_conv1 = tf.nn.relu(tf.conv2d(x_image, W_conv1) + b_conv1)  # output size 28x28x32  
h_pool1 = tf.max_pool_2X2(h_conv1)  # output size 14x14x32  
  
# 定义第二层卷积层  
# 步骤如上一层,只是参数有所改变而已  
W_conv2 = weigth_variable([5, 5, 32, 64])  # patch 5x5, in size 32, out size 64  
b_conv2 = bias_variable([64])  
h_conv2 = tf.nn.relu(tf.conv2d(h_pool1, W_conv2) + b_conv2)  # output size 14x14x64  
h_pool2 = tf.max_pool_2X2(h_conv2)   # output size 7x7x64  
  
# 全连接层  
W_fc1 = weigth_variable([7*7*64, 1024])  
b_fc1 = bias_variable([1024])  
# [n_samples, 7, 7, 64] ->> [n_samples, 7*7*64]  
h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])  
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)  
  
# 为了减轻过拟合,增加一个dropout层  
keep_prob = tf.placeholder(tf.float32)  
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)  
  
# 将dropout层的输出连接到一个softmax层,得到最后的概率输出  
W_fc2 = weigth_variable([1024, 10])  
b_fc2 = bias_variable([10])  
pre = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)  
  
# 最后定义损失函数为cross entropy,和之前一样,但是最后的优化器使用Adam,并给予一个比较小的学习率1e-4  
cross_entropy = tf.reduce_mean(tf.reduce_sum(y*tf.log(pre), reduction_indices=[1]))  
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)  # 使用的优化方法,以及追求的目标  
  
# 定义评测准确率的操作  
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(pre, 1))  
accuray = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))  
  
# train,开始训练  
# 首先依然是初始化所有变量,设置训练是的Dropout的keep_prob比率为0.5,  
# 然后使用大小为50的mini_batch,共进行20000次训练迭代,  
# 参与训练的样本数量总共100万,其中每100次训练,会准确率进行一次评测时keep_prob为1,用以实时监测模型的性能  
with tf.InteractiveSession() as sess:  
    tf.global_variables_initializer().run()  
    for i in range(20000):  
        batch = mnist.train.next_batch(50)  
        if i % 100 == 0:  
            train_accuracy = accuray.eval(feed_dict={x: batch[0], y: batch[1], keep_prob: 1.0})  
            print("step %d, training accuracy %g" % (i, train_accuracy))  
        train_step.run(feed_dict={x: batch[0], y: batch[1], keep_prob: 0.5})  
    # 全部训练完后,在最终的测试集上进行全面的测试,得到整体分类准确率  
    print("test accuracy %g" % accuray.eval(feed_dict={x: mnist.test.images, y: mnist.test.labels, keep_prob: 1.0}))