demo

• 訓(xùn)練&保存

# -*- coding: utf-8 -*-
import tensorflow as tf
import input_data
mnist = input_data.read_data_sets('./訓(xùn)練集', one_hot=True)


'''
    # 構(gòu)建運(yùn)算圖
'''
# X Y 都是占位符 占位而已 不表示具體的數(shù)據(jù)
x = tf.placeholder("float", [None, 784],name='x')  # 圖像的大小為784;None表示第一個(gè)維度可以是任意長(zhǎng)度

# 一個(gè)Variable代表一個(gè)可修改的張量,它們可以用于計(jì)算輸入值，也可以在計(jì)算中被修改
W = tf.Variable(tf.zeros([784, 10]),name = 'W')
b = tf.Variable(tf.zeros([10]),name = 'b')

y = tf.nn.softmax(tf.matmul(x, W) + b,name = 'y')

# 計(jì)算交叉熵
y_ = tf.placeholder("float", [None, 10],name = 'y_')
cross_entropy = -tf.reduce_sum(y_ * tf.log(tf.clip_by_value(y, 1e-10, 1.0)))

# 梯度下降算法（gradient descent algorithm）

train_step=tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

# 在運(yùn)行計(jì)算之前，我們需要添加一個(gè)操作來(lái)初始化我們創(chuàng)建的變量：
init=tf.global_variables_initializer()

# 在一個(gè)Session里面啟動(dòng)我們的模型，并且初始化變量：
sess=tf.Session()
sess.run(init)
# writer = tf.summary.FileWriter("./logfile",sess.graph)
# 訓(xùn)練模型1000次

for i in range(1000):
  batch_xs, batch_ys=mnist.train.next_batch(100)
  sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

# writer.close()

correct_prediction=tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1),name = 'correct_prediction')
accuracy=tf.reduce_mean(tf.cast(correct_prediction, "float"),name = 'accuracy')
# print('-**-',accuracy,type(accuracy))

print(sess.run(accuracy, feed_dict={
      x: mnist.test.images, y_: mnist.test.labels}))
saver = tf.train.Saver()
saver.save(sess, "./Model/MNIST.ckpt")

• 提取
  先給出一個(gè)錯(cuò)誤的示范：

# -*- coding: utf-8 -*-
import tensorflow as tf
sess = tf.Session()
saver = tf.train.import_meta_graph('./Model/MNIST.ckpt.meta')
saver.restore(sess, './Model/MNIST.ckpt')

W = tf.get_default_graph().get_tensor_by_name('W:0')
b = tf.get_default_graph().get_tensor_by_name('b:0')

#print(sess.run(W))
#print(sess.run(b))
#print(sess.run(tf.get_default_graph().get_tensor_by_name('y:0'), feed_dict={
#      x: mnist.test.next_batch(10)[0]}),mnist.test.next_batch(10)[1])
print(sess.run(tf.get_default_graph().get_tensor_by_name('accuracy:0'), feed_dict={
      x: mnist.test.images, y_: mnist.test.labels}))

這個(gè)會(huì)報(bào)錯(cuò)：

0.png

提示x未定義。
我們看一下代碼，在輸入變量feed_dict里面有{x: mnist.test.images}這一句。我們知道定義字典的時(shí)候，key值必須是一個(gè)變量或者是定值。在這里x沒(méi)有定義過(guò)。
改為：

# -*- coding: utf-8 -*-
"""
Created on Thu Feb 14 16:04:23 2019

@author: zjp
"""
import input_data
mnist = input_data.read_data_sets('./訓(xùn)練集', one_hot=True)

import tensorflow as tf
sess = tf.Session()
saver = tf.train.import_meta_graph('./Model/MNIST.ckpt.meta')
saver.restore(sess, './Model/MNIST.ckpt')

#W = tf.get_default_graph().get_tensor_by_name('W:0')
#b = tf.get_default_graph().get_tensor_by_name('b:0')
x = tf.get_default_graph().get_tensor_by_name('x:0')
#print(sess.run(W))
#print(sess.run(b))
print(sess.run(tf.get_default_graph().get_tensor_by_name('y:0'), feed_dict={
      x: mnist.test.next_batch(1)[0]}),mnist.test.next_batch(1)[1])
#print(sess.run(tf.get_default_graph().get_tensor_by_name('accuracy:0'), feed_dict={
#      x: mnist.test.images, y_: mnist.test.labels}))

需要注意的是，tf.get_default_graph().get_tensor_by_name('y:0')需要3個(gè)tf變量，但是除了x之外都不需要顯示定義。
兩者的正確率一樣，表示訓(xùn)練成功。

結(jié)果

易犯錯(cuò)誤

1. 運(yùn)行完一次保存變量的腳本之后，不清除變量就接著運(yùn)行一次
2. 上文已經(jīng)提到，在恢復(fù)變量的時(shí)候，如果出現(xiàn)提示'x'未定義之類(lèi)的，用tf.get_default_graph().get_tensor_by_name('x:0')引入而不可以重新定義一個(gè)x = tf.placeholder()。