由于受到計算機(jī)性能的影響，雖然LeNet在圖像分類中取得了較好的成績，但是并沒有引起很多的關(guān)注。 知道2012年，Alex等人提出的AlexNet網(wǎng)絡(luò)在ImageNet大賽上以遠(yuǎn)超第二名的成績奪冠，卷積神經(jīng)網(wǎng)絡(luò)乃至深度學(xué)習(xí)重新引起了廣泛的關(guān)注。
AlexNet特點(diǎn)
AlexNet是在LeNet的基礎(chǔ)上加深了網(wǎng)絡(luò)的結(jié)構(gòu)，學(xué)習(xí)更豐富更高維的圖像特征。AlexNet的特點(diǎn)：
1.更深的網(wǎng)絡(luò)結(jié)構(gòu)
2.使用層疊的卷積層，即卷積層+卷積層+池化層來提取圖像的特征
3.使用Dropout抑制過擬合
4.使用數(shù)據(jù)增強(qiáng)Data Augmentation抑制過擬合
5.使用Relu替換之前的sigmoid的作為激活函數(shù)
6.多GPU訓(xùn)練
7.ReLu作為激活函數(shù)
在最初的感知機(jī)模型中，輸入和輸出的關(guān)系如下：
??=∑??????????+??
只是單純的線性關(guān)系，這樣的網(wǎng)絡(luò)結(jié)構(gòu)有很大的局限性：即使用很多這樣結(jié)構(gòu)的網(wǎng)絡(luò)層疊加，其輸出和輸入仍然是線性關(guān)系，無法處理有非線性關(guān)系的輸入輸出。因此，對每個神經(jīng)元的輸出做個非線性的轉(zhuǎn)換也就是，將上面就加權(quán)求和
∑??????????+?? 的結(jié)果輸入到一個非線性函數(shù)，也就是激活函數(shù)中。 這樣，由于激活函數(shù)的引入，多個網(wǎng)絡(luò)層的疊加就不再是單純的線性變換，而是具有更強(qiáng)的表現(xiàn)能力。
在最初， ?????????????? 和 ???????函數(shù)最常用的激活函數(shù)。
在網(wǎng)絡(luò)層數(shù)較少時，?????????????? 函數(shù)的特性能夠很好的滿足激活函數(shù)的作用：它把一個實(shí)數(shù)壓縮至0到1之間，當(dāng)輸入的數(shù)字非常大的時候，結(jié)果會接近1；當(dāng)輸入非常大的負(fù)數(shù)時，則會得到接近0的結(jié)果。這種特性，能夠很好的模擬神經(jīng)元在受刺激后，是否被激活向后傳遞信息（輸出為0，幾乎不被激活；輸出為1，完全被激活）。??????????????一個很大的問題就是梯度飽和。 觀察??????????????函數(shù)的曲線，當(dāng)輸入的數(shù)字較大（或較?。r，其函數(shù)值趨于不變，其導(dǎo)數(shù)變的非常的小。這樣，在層數(shù)很多的的網(wǎng)絡(luò)結(jié)構(gòu)中，進(jìn)行反向傳播時，由于很多個很小的??????????????導(dǎo)數(shù)累成，導(dǎo)致其結(jié)果趨于0，權(quán)值更新較慢。
-
ReLu
image針對 ?????????????? 梯度飽和導(dǎo)致訓(xùn)練收斂慢的問題，在AlexNet中引入了ReLU。ReLU是一個分段線性函數(shù)，小于等于0則輸出為0；大于0的則恒等輸出。相比于 ?????????????? ，ReLU有以下有點(diǎn)：
- 計算開銷下。 ?????????????? 的正向傳播有指數(shù)運(yùn)算，倒數(shù)運(yùn)算，而ReLu是線性輸出；反向傳播中， ?????????????? 有指數(shù)運(yùn)算，而ReLU有輸出的部分，導(dǎo)數(shù)始終為1.
- 梯度飽和問題
- 稀疏性。Relu會使一部分神經(jīng)元的輸出為0，這樣就造成了網(wǎng)絡(luò)的稀疏性，并且減少了參數(shù)的相互依存關(guān)系，緩解了過擬合問題的發(fā)生。
這里有個問題，前面提到，激活函數(shù)要用非線性的，是為了使網(wǎng)絡(luò)結(jié)構(gòu)有更強(qiáng)的表達(dá)的能力。那這里使用ReLU本質(zhì)上卻是個線性的分段函數(shù)，是怎么進(jìn)行非線性變換的。
這里把神經(jīng)網(wǎng)絡(luò)看著一個巨大的變換矩陣 ?? ，其輸入為所有訓(xùn)練樣本組成的矩陣 ?? ，輸出為矩陣 ?? 。
??=?????
這里的 ?? 是一個線性變換的話，則所有的訓(xùn)練樣本 ?? 進(jìn)行了線性變換輸出為 ?? 。
那么對于ReLU來說，由于其是分段的，0的部分可以看著神經(jīng)元沒有激活，不同的神經(jīng)元激活或者不激活，其神經(jīng)玩過組成的變換矩陣是不一樣的。
設(shè)有兩個訓(xùn)練樣本??1,??2 其訓(xùn)練時神經(jīng)網(wǎng)絡(luò)組成的變換矩陣為??1,??2 由于??1變換對應(yīng)的神經(jīng)網(wǎng)絡(luò)中激活神經(jīng)元和??2是不一樣的，這樣??1,??2實(shí)際上是兩個不同的線性變換。也就是說，每個訓(xùn)練樣本使用的線性變換矩陣???? 是不一樣的，在整個訓(xùn)練樣本空間來說，其經(jīng)歷的是非線性變換。**
簡單來說，不同訓(xùn)練樣本中的同樣的特征，在經(jīng)過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)時，流經(jīng)的神經(jīng)元是不一樣的（激活函數(shù)值為0的神經(jīng)元不會被激活）。這樣，最終的輸出實(shí)際上是輸入樣本的非線性變換。
單個訓(xùn)練樣本是線性變換，但是每個訓(xùn)練樣本的線性變換是不一樣的，這樣整個訓(xùn)練樣本集來說，就是非線性的變換。
數(shù)據(jù)增強(qiáng)
神經(jīng)網(wǎng)絡(luò)由于訓(xùn)練的參數(shù)多，表能能力強(qiáng)，所以需要比較多的數(shù)據(jù)量，不然很容易過擬合。當(dāng)訓(xùn)練數(shù)據(jù)有限時，可以通過一些變換從已有的訓(xùn)練數(shù)據(jù)集中生成一些新的數(shù)據(jù)，以快速地擴(kuò)充訓(xùn)練數(shù)據(jù)。對于圖像數(shù)據(jù)集來說，可以對圖像進(jìn)行一些形變操作：
- 翻轉(zhuǎn)
- 隨機(jī)裁剪
- 平移，顏色光照的變換
- ...
AlexNet中對數(shù)據(jù)做了以下操作：
- 隨機(jī)裁剪，對256×256的圖片進(jìn)行隨機(jī)裁剪到227×227，然后進(jìn)行水平翻轉(zhuǎn)。
- 測試的時候，對左上、右上、左下、右下、中間分別做了5次裁剪，然后翻轉(zhuǎn)，共10個裁剪，之后對結(jié)果求平均。
- 對RGB空間做PCA（主成分分析），然后對主成分做一個（0, 0.1）的高斯擾動，也就是對顏色、光照作變換，結(jié)果使錯誤率又下降了1%。
層疊池化
在LeNet中池化是不重疊的，即池化的窗口的大小和步長是相等的，如下
在AlexNet中使用的池化（Pooling）卻是可重疊的，也就是說，在池化的時候，每次移動的步長小于池化的窗口長度。AlexNet池化的大小為3×3的正方形，每次池化移動步長為2，這樣就會出現(xiàn)重疊。重疊池化可以避免過擬合，這個策略貢獻(xiàn)了0.3%的Top-5錯誤率。與非重疊方案??=2，??=2相比，輸出的維度是相等的，并且能在一定程度上抑制過擬合。
局部相應(yīng)歸一化
ReLU具有讓人滿意的特性，它不需要通過輸入歸一化來防止飽和。如果至少一些訓(xùn)練樣本對ReLU產(chǎn)生了正輸入，那么那個神經(jīng)元上將發(fā)生學(xué)習(xí)。然而，我們?nèi)匀话l(fā)現(xiàn)接下來的局部響應(yīng)歸一化有助于泛化。??????,??表示神經(jīng)元激活，通過在(??,??)位置應(yīng)用核??，然后應(yīng)用ReLU非線性來計算，響應(yīng)歸一化激活??????,??通過下式給定：
??????,??=??????,??/(??+??∑??=??????(0,?????/2)??????(???1,??+??/2)(??????,??)2)??
其中，??是卷積核的個數(shù)，也就是生成的FeatureMap的個數(shù)；??,??,??,??是超參數(shù)，論文中使用的值是??=2,??=5,??=10?4,??=0.75
輸出??????,??和輸入??????,??的上標(biāo)表示的是當(dāng)前值所在的通道，也即是疊加的方向是沿著通道進(jìn)行。將要?dú)w一化的值??????,??所在附近通道相同位置的值的平方累加起來∑??????(???1,??+??/2)??=??????(0,?????/2)(??????,??)2
Dropout
這個是比較常用的抑制過擬合的方法了。
引入Dropout主要是為了防止過擬合。在神經(jīng)網(wǎng)絡(luò)中Dropout通過修改神經(jīng)網(wǎng)絡(luò)本身結(jié)構(gòu)來實(shí)現(xiàn)，對于某一層的神經(jīng)元，通過定義的概率將神經(jīng)元置為0，這個神經(jīng)元就不參與前向和后向傳播，就如同在網(wǎng)絡(luò)中被刪除了一樣，同時保持輸入層與輸出層神經(jīng)元的個數(shù)不變，然后按照神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法進(jìn)行參數(shù)更新。在下一次迭代中，又重新隨機(jī)刪除一些神經(jīng)元（置為0），直至訓(xùn)練結(jié)束。
Dropout應(yīng)該算是AlexNet中一個很大的創(chuàng)新，現(xiàn)在神經(jīng)網(wǎng)絡(luò)中的必備結(jié)構(gòu)之一。Dropout也可以看成是一種模型組合，每次生成的網(wǎng)絡(luò)結(jié)構(gòu)都不一樣，通過組合多個模型的方式能夠有效地減少過擬合，Dropout只需要兩倍的訓(xùn)練時間即可實(shí)現(xiàn)模型組合（類似取平均）的效果，非常高效。
如下圖：
Alex網(wǎng)絡(luò)結(jié)構(gòu)
上圖中的輸入是224×224，不過經(jīng)過計算(224?11)/4=54.75并不是論文中的55×55，而使用227×227作為輸入，則(227?11)/4=55
網(wǎng)絡(luò)包含8個帶權(quán)重的層；前5層是卷積層，剩下的3層是全連接層。最后一層全連接層的輸出是1000維softmax的輸入，softmax會產(chǎn)生1000類標(biāo)簽的分布網(wǎng)絡(luò)包含8個帶權(quán)重的層；前5層是卷積層，剩下的3層是全連接層。最后一層全連接層的輸出是1000維softmax的輸入，softmax會產(chǎn)生1000類標(biāo)簽的分布。
卷積層C1
該層的處理流程是： 卷積-->ReLU-->池化-->歸一化。
卷積，輸入是227×227，使用96個11×11×3的卷積核，得到的FeatureMap為55×55×96。
ReLU，將卷積層輸出的FeatureMap輸入到ReLU函數(shù)中。
池化，使用3×3步長為2的池化單元（重疊池化，步長小于池化單元的寬度），輸出為27×27×96（(55?3)/2+1=27)
局部響應(yīng)歸一化，使用??=2,??=5,??=10?4,??=0.75進(jìn)行局部歸一化，輸出的仍然為27×27×96，輸出分為兩組，每組的大小為27×27×48
卷積層C2
該層的處理流程是：卷積-->ReLU-->池化-->歸一化
卷積，輸入是2組27×27×48。使用2組，每組128個尺寸為5×5×48的卷積核，并作了邊緣填充padding=2，卷積的步長為1. 則輸出的FeatureMap為2組，每組的大小為27×27 ??????????128. （(27+2?2?5)/1+1=27）
ReLU，將卷積層輸出的FeatureMap輸入到ReLU函數(shù)中
池化運(yùn)算的尺寸為3×3，步長為2，池化后圖像的尺寸為(27?3)/2+1=13，輸出為13×13×256
局部響應(yīng)歸一化，使用??=2,??=5,??=10?4,??=0.75進(jìn)行局部歸一化，輸出的仍然為13×13×256，輸出分為2組，每組的大小為13×13×128
卷積層C3
該層的處理流程是： 卷積-->ReLU
卷積，輸入是13×13×256，使用2組共384尺寸為3×3×256的卷積核，做了邊緣填充padding=1，卷積的步長為1.則輸出的FeatureMap為13×13 ??????????384
ReLU，將卷積層輸出的FeatureMap輸入到ReLU函數(shù)中
卷積層C4
該層的處理流程是： 卷積-->ReLU
該層和C3類似。
卷積，輸入是13×13×384，分為兩組，每組為13×13×192.使用2組，每組192個尺寸為3×3×192的卷積核，做了邊緣填充padding=1，卷積的步長為1.則輸出的FeatureMap為13×13 ??????????384，分為兩組，每組為13×13×192
ReLU，將卷積層輸出的FeatureMap輸入到ReLU函數(shù)中
卷積層C5
該層處理流程為：卷積-->ReLU-->池化
卷積，輸入為13×13×384，分為兩組，每組為13×13×192。使用2組，每組為128尺寸為3×3×192的卷積核，做了邊緣填充padding=1，卷積的步長為1.則輸出的FeatureMap為13×13×256
ReLU，將卷積層輸出的FeatureMap輸入到ReLU函數(shù)中
池化，池化運(yùn)算的尺寸為3×3，步長為2，池化后圖像的尺寸為 (13?3)/2+1=6,即池化后的輸出為6×6×256
全連接層FC6
該層的流程為：（卷積）全連接 -->ReLU -->Dropout
卷積->全連接： 輸入為6×6×256,該層有4096個卷積核，每個卷積核的大小為6×6×256。由于卷積核的尺寸剛好與待處理特征圖（輸入）的尺寸相同，即卷積核中的每個系數(shù)只與特征圖（輸入）尺寸的一個像素值相乘，一一對應(yīng)，因此，該層被稱為全連接層。由于卷積核與特征圖的尺寸相同，卷積運(yùn)算后只有一個值，因此，卷積后的像素層尺寸為4096×1×1，即有4096個神經(jīng)元。
ReLU,這4096個運(yùn)算結(jié)果通過ReLU激活函數(shù)生成4096個值
Dropout,抑制過擬合，隨機(jī)的斷開某些神經(jīng)元的連接或者是不激活某些神經(jīng)元
全連接層FC7
流程為：全連接-->ReLU-->Dropout
全連接，輸入為4096的向量
ReLU,這4096個運(yùn)算結(jié)果通過ReLU激活函數(shù)生成4096個值
Dropout,抑制過擬合，隨機(jī)的斷開某些神經(jīng)元的連接或者是不激活某些神經(jīng)元
輸出層
第七層輸出的4096個數(shù)據(jù)與第八層的1000個神經(jīng)元進(jìn)行全連接，經(jīng)過訓(xùn)練后輸出1000個float型的值，這就是預(yù)測結(jié)果。
AlexNet參數(shù)數(shù)量
卷積層的參數(shù) = 卷積核的數(shù)量 * 卷積核 + 偏置
C1: 96個11×11×3的卷積核，96×11×11×3+96=34848
C2: 2組，每組128個5×5×48的卷積核，(128×5×5×48+128)×2=307456
C3: 384個3×3×256的卷積核，3×3×256×384+384=885120
C4: 2組，每組192個3×3×192的卷積核，(3×3×192×192+192)×2=663936
C5: 2組，每組128個3×3×192的卷積核，(3×3×192×128+128)×2=442624
FC6: 4096個6×6×256的卷積核，6×6×256×4096+4096=37752832
FC7: 4096?4096+4096=16781312
output: 4096?1000=4096000
卷積層 C2,C4,C5中的卷積核只和位于同一GPU的上一層的FeatureMap相連。從上面可以看出，參數(shù)大多數(shù)集中在全連接層，在卷積層由于權(quán)值共享，權(quán)值參數(shù)較少。
完整代碼
# -- encoding:utf-8 --
Create on 19/5/25 10:06
import os
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
# 定義外部傳入的參數(shù)
tf.app.flags.DEFINE_bool(flag_name="is_train",
default_value=True,
docstring="給定是否是訓(xùn)練操作，True表示訓(xùn)練，F(xiàn)alse表示預(yù)測！！")
tf.app.flags.DEFINE_string(flag_name="checkpoint_dir",
default_value="./mnist/models/models_alext",
docstring="給定模型存儲的文件夾，默認(rèn)為./mnist/models/models_alext")
tf.app.flags.DEFINE_string(flag_name="logdir",
default_value="./mnist/graph/graph_alext",
docstring="給定模型日志存儲的路徑，默認(rèn)為./mnist/graph/graph_alext")
tf.app.flags.DEFINE_integer(flag_name="batch_size",
default_value=16,
docstring="給定訓(xùn)練的時候每個批次的樣本數(shù)目，默認(rèn)為16.")
tf.app.flags.DEFINE_integer(flag_name="store_per_batch",
default_value=100,
docstring="給定每隔多少個批次進(jìn)行一次模型持久化的操作，默認(rèn)為100")
tf.app.flags.DEFINE_integer(flag_name="validation_per_batch",
default_value=100,
docstring="給定每隔多少個批次進(jìn)行一次模型的驗(yàn)證操作，默認(rèn)為100")
tf.app.flags.DEFINE_float(flag_name="learning_rate",
default_value=0.01,
docstring="給定模型的學(xué)習(xí)率，默認(rèn)0.01")
FLAGS = tf.app.flags.FLAGS
def create_dir_with_not_exits(dir_path):
"""
如果文件的文件夾路徑不存在，直接創(chuàng)建
:param dir_path:
:return:
"""
if not os.path.exists(dir_path):
os.makedirs(dir_path)
def conv2d(name, net, filter_height, filter_width, output_channels, stride=1, pandding='SAME'):
with tf.variable_scope(name):
input_channels = net.get_shape()[-1]
filter = tf.get_variable(name='w', shape=[filter_height, filter_width, input_channels, output_channels])
bias = tf.get_variable(name='b', shape=[output_channels])
net = tf.nn.conv2d(input=net, filter=filter, strides=[1, stride, stride, 1], padding=pandding)
net = tf.nn.bias_add(net, bias)
return net
def relu(name, net):
with tf.variable_scope(name):
return tf.nn.relu(net)
def max_pool(name, net, height, width, stride, padding='SAME'):
with tf.variable_scope(name):
return tf.nn.max_pool(value=net, ksize=[1, height, width, 1],
strides=[1, stride, stride, 1], padding=padding)
def fc(name, net, units):
with tf.variable_scope(name):
input_units = net.get_shape()[-1]
w = tf.get_variable(name='w', shape=[input_units, units])
b = tf.get_variable(name='b', shape=[units])
net = tf.matmul(net, w) + b
return net
def create_model(input_x, show_image=False):
"""
構(gòu)建模型
:param input_x: 占位符，格式為[None, 784]
:return:
"""
# 定義一個網(wǎng)絡(luò)結(jié)構(gòu): input -> conv -> relu -> pooling -> conv -> relu -> pooling -> FC -> relu -> FC
with tf.variable_scope("net"):
with tf.variable_scope("Input"):
# 這里定義一些圖像的處理方式，包括：格式轉(zhuǎn)換、基礎(chǔ)處理(大小、剪切...)
x = tf.reshape(input_x, shape=[-1, 28, 28, 1])
# 這里做resize只是為了符合論文中的輸入大小
x = tf.image.resize_nearest_neighbor(x, size=(224, 224))
with tf.device('/GPU:0'), tf.variable_scope("net11"):
net1 = conv2d('conv1', x, 11, 11, 48, 4)
net1 = relu('relu1', net1)
net1 = max_pool('pool1', net1, 2, 2, 2)
net1 = conv2d('conv2', net1, 5, 5, 128, 1)
net1 = relu('relu2', net1)
net1 = max_pool('pool2', net1, 2, 2, 2)
with tf.device('/GPU:1'), tf.variable_scope("net21"):
net2 = conv2d('conv1', x, 11, 11, 48, 4)
net2 = relu('relu1', net2)
net2 = max_pool('pool1', net2, 2, 2, 2)
net2 = conv2d('conv2', net2, 5, 5, 128, 1)
net2 = relu('relu2', net2)
net2 = max_pool('pool2', net2, 2, 2, 2)
# 合并兩個網(wǎng)絡(luò)的輸出
net = tf.concat([net1, net2], axis=-1)
with tf.device('/GPU:0'), tf.variable_scope("net12"):
net1 = conv2d('conv3', net, 3, 3, 192, 1)
net1 = relu('relu3', net1)
net1 = conv2d('conv4', net1, 3, 3, 192, 1)
net1 = relu('relu4', net1)
net1 = conv2d('conv5', net1, 3, 3, 128, 1)
net1 = relu('relu5', net1)
net1 = max_pool('pool3', net1, 2, 2, 2)
with tf.device('/GPU:1'), tf.variable_scope("net22"):
net2 = conv2d('conv3', net, 3, 3, 192, 1)
net2 = relu('relu3', net2)
net2 = conv2d('conv4', net2, 3, 3, 192, 1)
net2 = relu('relu4', net2)
net2 = conv2d('conv5', net2, 3, 3, 128, 1)
net2 = relu('relu5', net2)
net2 = max_pool('pool3', net2, 2, 2, 2)
# 合并兩個網(wǎng)絡(luò)的輸出
net = tf.concat([net1, net2], axis=-1)
shape = net.get_shape()
net = tf.reshape(net, shape=[-1, shape[1] * shape[2] * shape[3]])
# 做全連接操作
with tf.device('/GPU:0'), tf.variable_scope("net13"):
net1 = fc('fc1', net, 2048)
net1 = relu('relu6', net1)
with tf.device('/GPU:1'), tf.variable_scope("net23"):
net2 = fc('fc1', net, 2048)
net2 = relu('relu6', net2)
# 合并兩個網(wǎng)絡(luò)的輸出
net = tf.concat([net1, net2], axis=-1)
# 做全連接操作
with tf.device('/GPU:0'), tf.variable_scope("net14"):
net1 = fc('fc2', net, 2048)
net1 = relu('relu7', net1)
with tf.device('/GPU:1'), tf.variable_scope("net24"):
net2 = fc('fc2', net, 2048)
net2 = relu('relu7', net2)
# 合并兩個網(wǎng)絡(luò)的輸出
net = tf.concat([net1, net2], axis=-1)
# 全連接
logits = fc('fc3', net, 10)
with tf.variable_scope("Prediction"):
# 每行的最大值對應(yīng)的下標(biāo)就是當(dāng)前樣本的預(yù)測值
predictions = tf.argmax(logits, axis=1)
return logits, predictions
def create_loss(labels, logits):
"""
基于給定的實(shí)際值labels和預(yù)測值logits進(jìn)行一個交叉熵?fù)p失函數(shù)的構(gòu)建
:param labels: 是經(jīng)過啞編碼之后的Tensor對象，形狀為[n_samples, n_class]
:param logits: 是神經(jīng)網(wǎng)絡(luò)的最原始的輸出，形狀為[n_samples, n_class], 每一行最大值那個位置對應(yīng)的就是預(yù)測類別，沒有經(jīng)過softmax函數(shù)轉(zhuǎn)換。
:return:
"""
with tf.name_scope("loss"):
# loss = tf.reduce_mean(-tf.log(tf.reduce_sum(labels * tf.nn.softmax(logits))))
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=labels, logits=logits))
tf.summary.scalar('loss', loss)
return loss
def create_train_op(loss, learning_rate=0.01, global_step=None):
"""
基于給定的損失函數(shù)構(gòu)建一個優(yōu)化器，優(yōu)化器的目的就是讓這個損失函數(shù)最小化
:param loss:
:param learning_rate:
:param global_step:
:return:
"""
with tf.name_scope("train"):
optimizer = tf.train.GradientDescentOptimizer(learning_rate=learning_rate)
train_op = optimizer.minimize(loss, global_step=global_step)
return train_op
def create_accuracy(labels, predictions):
"""
基于給定的實(shí)際值和預(yù)測值，計算準(zhǔn)確率
:param labels: 是經(jīng)過啞編碼之后的Tensor對象，形狀為[n_samples, n_class]
:param predictions: 實(shí)際的預(yù)測類別下標(biāo)，形狀為[n_samples,]
:return:
"""
with tf.name_scope("accuracy"):
# 獲取實(shí)際的類別下標(biāo)，形狀為[n_samples,]
y_labels = tf.argmax(labels, 1)
# 計算準(zhǔn)確率
accuracy = tf.reduce_mean(tf.cast(tf.equal(y_labels, predictions), tf.float32))
tf.summary.scalar('accuracy', accuracy)
return accuracy
def train():
# 對于文件是否存在做一個檢測
create_dir_with_not_exits(FLAGS.checkpoint_dir)
create_dir_with_not_exits(FLAGS.logdir)
with tf.Graph().as_default():
# 一、執(zhí)行圖的構(gòu)建
# 0. 相關(guān)輸入Tensor對象的構(gòu)建
input_x = tf.placeholder(dtype=tf.float32, shape=[None, 784], name='input_x')
input_y = tf.placeholder(dtype=tf.float32, shape=[None, 10], name='input_y')
global_step = tf.train.get_or_create_global_step()
# 1. 網(wǎng)絡(luò)結(jié)構(gòu)的構(gòu)建
logits, predictions = create_model(input_x)
# 2. 構(gòu)建損失函數(shù)
loss = create_loss(input_y, logits)
# 3. 構(gòu)建優(yōu)化器
train_op = create_train_op(loss,
learning_rate=FLAGS.learning_rate,
global_step=global_step)
# 4. 構(gòu)建評估指標(biāo)
accuracy = create_accuracy(input_y, predictions)
# 二、執(zhí)行圖的運(yùn)行/訓(xùn)練(數(shù)據(jù)加載、訓(xùn)練、持久化、可視化、模型的恢復(fù)....)
with tf.Session() as sess:
# 獲取一個日志輸出對象
train_logdir = os.path.join(FLAGS.logdir, 'train')
validation_logdir = os.path.join(FLAGS.logdir, 'validation')
train_writer = tf.summary.FileWriter(logdir=train_logdir, graph=sess.graph)
validation_writer = tf.summary.FileWriter(logdir=validation_logdir, graph=sess.graph)
# a. 創(chuàng)建一個持久化對象(默認(rèn)會將所有的模型參數(shù)全部持久化，因?yàn)椴皇撬械亩夹枰?，最好僅僅持久化的訓(xùn)練的模型參數(shù))
var_list = tf.trainable_variables()
# 是因?yàn)間lobal_step這個變量是不參與模型訓(xùn)練的，所以模型不會持久化，這里加入之后，可以明確也持久化這個變量。
var_list.append(global_step)
saver = tf.train.Saver(var_list=var_list)
# a. 變量的初始化操作(所有的非訓(xùn)練變量的初始化 + 持久化的變量恢復(fù))
# 所有變量初始化(如果有持久化的，后面做了持久化后，會覆蓋的)
sess.run(tf.global_variables_initializer())
# 做模型的恢復(fù)操作
ckpt = tf.train.get_checkpoint_state(FLAGS.checkpoint_dir)
if ckpt and ckpt.model_checkpoint_path:
print("進(jìn)行模型恢復(fù)操作...")
# 恢復(fù)模型
saver.restore(sess, ckpt.model_checkpoint_path)
# 恢復(fù)checkpoint的管理信息
saver.recover_last_checkpoints(ckpt.all_model_checkpoint_paths)
# 獲取所有的summary輸出操作
summary = tf.summary.merge_all()
# b. 訓(xùn)練數(shù)據(jù)的產(chǎn)生/獲取（基于numpy隨機(jī)產(chǎn)生<可以先考慮一個固定的數(shù)據(jù)集>）
mnist = input_data.read_data_sets(
train_dir='../datas/mnist', # 給定本地磁盤的數(shù)據(jù)存儲路徑
one_hot=True, # 給定返回的數(shù)據(jù)中是否對Y做啞編碼
validation_size=5000 # 給定驗(yàn)證數(shù)據(jù)集的大小
)
# c. 模型訓(xùn)練
batch_size = FLAGS.batch_size
step = sess.run(global_step)
vn_accuracy_ = 0
while True:
# 開始模型訓(xùn)練
x_train, y_train = mnist.train.next_batch(batch_size=batch_size)
_, loss_, accuracy_, summary_ = sess.run([train_op, loss, accuracy, summary], feed_dict={
input_x: x_train,
input_y: y_train
})
print("第{}次訓(xùn)練后模型的損失函數(shù)為:{}, 準(zhǔn)確率:{}".format(step, loss_, accuracy_))
train_writer.add_summary(summary_, global_step=step)
# 持久化
if step % FLAGS.store_per_batch == 0:
file_name = 'model_%.3f_%.3f_.ckpt' % (loss_, accuracy_)
save_path = os.path.join(FLAGS.checkpoint_dir, file_name)
saver.save(sess, save_path=save_path, global_step=step)
if step % FLAGS.validation_per_batch == 0:
vn_loss_, vn_accuracy_, vn_summary_ = sess.run([loss, accuracy, summary],
feed_dict={
input_x: mnist.validation.images,
input_y: mnist.validation.labels
})
print("第{}次訓(xùn)練后模型在驗(yàn)證數(shù)據(jù)上的損失函數(shù)為:{}, 準(zhǔn)確率:{}".format(step,
vn_loss_,
vn_accuracy_))
validation_writer.add_summary(vn_summary_, global_step=step)
# 退出訓(xùn)練（要求當(dāng)前的訓(xùn)練數(shù)據(jù)集上的準(zhǔn)確率至少為0.8，然后最近一次驗(yàn)證數(shù)據(jù)上的準(zhǔn)確率為0.8）
if accuracy_ > 0.99 and vn_accuracy_ > 0.99:
# 退出之前再做一次持久化操作
file_name = 'model_%.3f_%.3f_.ckpt' % (loss_, accuracy_)
save_path = os.path.join(FLAGS.checkpoint_dir, file_name)
saver.save(sess, save_path=save_path, global_step=step)
break
step += 1
# 關(guān)閉輸出流
train_writer.close()
validation_writer.close()
def prediction():
# TODO: 參考以前的代碼自己把這個區(qū)域的內(nèi)容填充一下。我下周晚上講。
# 做一個預(yù)測(預(yù)測的評估，對mnist.test這個里面的數(shù)據(jù)進(jìn)行評估效果的查看)
with tf.Graph().as_default():
pass
def main(_):
if FLAGS.is_train:
# 進(jìn)入訓(xùn)練的代碼執(zhí)行中
print("開始進(jìn)行模型訓(xùn)練運(yùn)行.....")
train()
else:
# 進(jìn)入測試、預(yù)測的代碼執(zhí)行中
print("開始進(jìn)行模型驗(yàn)證、測試代碼運(yùn)行.....")
prediction()
print("Done!!!!")
if __name__ == '__main__':
# 默認(rèn)情況下，直接調(diào)用當(dāng)前py文件中的main函數(shù)
tf.app.run()
