Chinaunix首页 | 论坛 | 认证专区 | 博客 登录 | 注册

利炳根

欢迎推荐上海机器学习工作机会,我的微信:qingxingfengzi

  • 博客访问: 36013
  • 博文数量: 50
  • 博客积分: 0
  • 博客等级: 民兵
  • 技术积分: 615
  • 用 户 组: 普通用户
  • 注册时间: 2017-05-13 22:10
  • 认证徽章:
个人简介

欢迎推荐上海机器学习工作机会,我的微信:qingxingfengzi

文章分类

全部博文(50)

文章存档

2017年(41)

我的朋友
微信关注

IT168企业级官微



微信号:IT168qiye



系统架构师大会



微信号:SACC2013

订阅
热词专题

分类: Python/Ruby

MNIST(Mixed National Institute of Standards and Technology)http://yann.lecun.com/exdb/mnist/ ,入门级计算机视觉数据集,美国中学生手写数字。训练集6万张图片,测试集1万张图片。数字经过预处理、格式化,大小调整并居中,图片尺寸固定28x28。数据集小,训练速度快,收敛效果好。


MNIST数据集,NIST数据集子集。4个文件。train-label-idx1-ubyte.gz 训练集标记文件(28881字节),train-images-idx3-ubyte.gz 训练集图片文件(9912422字节),t10k-labels-idx1-ubyte.gz,测试集标记文件(4542字节),t10k-images-idx3-ubyte.gz 测试集图片文件(1648877字节)。测试集,前5000个样例取自原始NIST训练集,后5000个取自原始NIST测试集。


训练集标记文件 train-labels-idx1-ubyt格式:offset、type、value、description。magic number(MSB first)、number of items、label。
MSB(most significant bit,最高有效位),二进制,MSB最高加权位。MSB位于二进制最左侧,MSB first 最高有效位在前。 magic number 写入ELF格式(Executable and Linkable Format)的ELF头文件常量,检查和自己设定是否一致判断文件是否损坏。


训练集图片文件 train-images-idx3-ubyte格式:magic number、number of images、number of rows、number of columns、pixel。
pixel(像素)取值范围0-255,0-255代表背景色(白色),255代表前景色(黑色)。


测试集标记文件 t10k-labels-idx1-ubyte 格式:magic number(MSB first)、number of items、label。


测试集图片文件 t10k-images-idx3-ubyte格式:magic number、number of images、number of rows、number of columns、pixel。


tensor flow-1.1.0/tensorflow/examples/tutorials/mnist。mnist_softmax.py 回归训练,full_connected_feed.py Feed数据方式训练,mnist_with_summaries.py 卷积神经网络(CNN) 训练过程可视化,mnist_softmax_xla.py XLA框架。


MNIST分类问题。


Softmax回归解决两种以上分类。Logistic回归模型在分类问题推广。tensorflow-1.1.0/tensorflow/examples/tutorials/mnist/mnist_softmax.py。


加载数据。导入input_data.py文件, tensorflow.contrib.learn.read_data_sets加载数据。FLAGS.data_dir MNIST路径,可自定义。one_hot标记,长度为n数组,只有一个元素是1.0,其他元素是0.0。输出层softmax,输出概率分布,要求输入标记概率分布形式,以更计算交叉熵。


构建回归模型。输入原始真实值(group truth),计算softmax函数拟合预测值,定义损失函数和优化器。用梯度下降算法以0.5学习率最小化交叉熵。tf.train.GradientDescentOptimizer。


训练模型。初始化创建变量,会话启动模型。模型循环训练1000次,每次循环随机抓取训练数据100个数据点,替换占位符。随机训练(stochastic training),SGD方法梯度下降,每次从训练数据随机抓取小部分数据梯度下降训练。BGD每次对所有训练数据计算。SGD学习数据集总体特征,加速训练过程。


评估模型。tf.argmax(y,1)返回模型对任一输入x预测标记值,tf.argmax(y_,1) 正确标记值。tf.equal检测预测值和真实值是否匹配,预测布尔值转化浮点数,取平均值。


    from __future__ import absolute_import
    from __future__ import division
    from __future__ import print_function
    import argparse
    import sys
    from tensorflow.examples.tutorials.mnist import input_data
    import tensorflow as tf
    FLAGS = None
    def main(_):
      # Import data 加载数据
      mnist = input_data.read_data_sets(FLAGS.data_dir, one_hot=True)
      # Create the model 定义回归模型
      x = tf.placeholder(tf.float32, [None, 784])
      W = tf.Variable(tf.zeros([784, 10]))
      b = tf.Variable(tf.zeros([10]))
      y = tf.matmul(x, W) + b #预测值
      # Define loss and optimizer 定义损失函数和优化器
      y_ = tf.placeholder(tf.float32, [None, 10]) # 输入真实值占位符
      # tf.nn.softmax_cross_entropy_with_logits计算预测值y与真实值y_差值,取平均值
      cross_entropy = tf.reduce_mean(
          tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y))
      # SGD优化器
      train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
      # InteractiveSession()创建交互式上下文TensorFlow会话,交互式会话会成为默认会话,可以运行操作(OP)方法(tf.Tensor.eval、tf.Operation.run)
      sess = tf.InteractiveSession()
      tf.global_variables_initializer().run()
      # Train 训练模型
      for _ in range(1000):
        batch_xs, batch_ys = mnist.train.next_batch(100)
        sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
      # Test trained model 评估训练模型
      correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
      accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
      # 计算模型测试集准确率
      print(sess.run(accuracy, feed_dict={x: mnist.test.images,
                                          y_: mnist.test.labels}))
    if __name__ == '__main__':
      parser = argparse.ArgumentParser()
      parser.add_argument('--data_dir', type=str, default='/tmp/tensorflow/mnist/input_data',
                          help='Directory for storing input data')
      FLAGS, unparsed = parser.parse_known_args()
      tf.app.run(main=main, argv=[sys.argv[0]] + unparsed)


训练过程可视化。tensorflow-1.1.0/tensorflow/examples/tutorials/mnist/mnist_summaries.py 。
TensorBoard可视化,训练过程,记录结构化数据,支行本地服务器,监听6006端口,浏览器请求页面,分析记录数据,绘制统计图表,展示计算图。
运行脚本:python mnist_with_summaries.py。
训练过程数据存储在/tmp/tensorflow/mnist目录,可命令行参数--log_dir指定。运行tree命令,ipnut_data # 存放训练数据,logs # 训练结果日志,train # 训练集结果日志。运行tensorboard命令,打开浏览器,查看训练可视化结果,logdir参数标明日志文件存储路径,命令 tensorboard --logdir=/tmp/tensorflow/mnist/logs/mnist_with_summaries 。创建摘要文件写入符(FileWriter)指定。


    # sess.graph  图定义,图可视化
    file_writer = tf.summary.FileWriter('/tmp/tensorflow/mnist/logs/mnist_with_summaries', sess.graph)


浏览器打开服务地址,进入可视化操作界面。


可视化实现。


给一个张量添加多个摘要描述函数variable_summaries。SCALARS面板显示每层均值、标准差、最大值、最小值。
构建网络模型,weights、biases调用variable_summaries,每层采用tf.summary.histogram绘制张量激活函数前后变化。HISTOGRAMS面板显示。
绘制准确率、交叉熵,SCALARS面板显示。


    from __future__ import absolute_import
    from __future__ import division
    from __future__ import print_function
    import argparse
    import os
    import sys
    import tensorflow as tf
    from tensorflow.examples.tutorials.mnist import input_data
    FLAGS = None
    def train():
      # Import data
      mnist = input_data.read_data_sets(FLAGS.data_dir,
                                        one_hot=True,
                                        fake_data=FLAGS.fake_data)
      sess = tf.InteractiveSession()
      # Create a multilayer model.
      # Input placeholders
      with tf.name_scope('input'):
        x = tf.placeholder(tf.float32, [None, 784], name='x-input')
        y_ = tf.placeholder(tf.float32, [None, 10], name='y-input')
      with tf.name_scope('input_reshape'):
        image_shaped_input = tf.reshape(x, [-1, 28, 28, 1])
        tf.summary.image('input', image_shaped_input, 10)
      # We can't initialize these variables to 0 - the network will get stuck.
      def weight_variable(shape):
        """Create a weight variable with appropriate initialization."""
        initial = tf.truncated_normal(shape, stddev=0.1)
        return tf.Variable(initial)
      def bias_variable(shape):
        """Create a bias variable with appropriate initialization."""
        initial = tf.constant(0.1, shape=shape)
        return tf.Variable(initial)
      def variable_summaries(var):
        """Attach a lot of summaries to a Tensor (for TensorBoard visualization)."""
        """对一个张量添加多个摘要描述"""
        with tf.name_scope('summaries'):
          mean = tf.reduce_mean(var)
          tf.summary.scalar('mean', mean) # 均值
          with tf.name_scope('stddev'):
            stddev = tf.sqrt(tf.reduce_mean(tf.square(var - mean)))
          tf.summary.scalar('stddev', stddev) # 标准差
          tf.summary.scalar('max', tf.reduce_max(var)) # 最大值
          tf.summary.scalar('min', tf.reduce_min(var)) # 最小值
          tf.summary.histogram('histogram', var)
      def nn_layer(input_tensor, input_dim, output_dim, layer_name, act=tf.nn.relu):
        # Adding a name scope ensures logical grouping of the layers in the graph.
        # 确保计算图中各层分组,每层添加name_scope
        with tf.name_scope(layer_name):
          # This Variable will hold the state of the weights for the layer
          with tf.name_scope('weights'):
            weights = weight_variable([input_dim, output_dim])
            variable_summaries(weights)
          with tf.name_scope('biases'):
            biases = bias_variable([output_dim])
            variable_summaries(biases)
          with tf.name_scope('Wx_plus_b'):
            preactivate = tf.matmul(input_tensor, weights) + biases
            tf.summary.histogram('pre_activations', preactivate) # 激活前直方图
          activations = act(preactivate, name='activation')
          tf.summary.histogram('activations', activations) # 激活后直方图
          return activations
      hidden1 = nn_layer(x, 784, 500, 'layer1')
      with tf.name_scope('dropout'):
        keep_prob = tf.placeholder(tf.float32)
        tf.summary.scalar('dropout_keep_probability', keep_prob)
        dropped = tf.nn.dropout(hidden1, keep_prob)
      # Do not apply softmax activation yet, see below.
      y = nn_layer(dropped, 500, 10, 'layer2', act=tf.identity)
      with tf.name_scope('cross_entropy'):
        diff = tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y)
        with tf.name_scope('total'):
          cross_entropy = tf.reduce_mean(diff)
      tf.summary.scalar('cross_entropy', cross_entropy) # 交叉熵
      with tf.name_scope('train'):
        train_step = tf.train.AdamOptimizer(FLAGS.learning_rate).minimize(
            cross_entropy)
      with tf.name_scope('accuracy'):
        with tf.name_scope('correct_prediction'):
          correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
        with tf.name_scope('accuracy'):
          accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
      tf.summary.scalar('accuracy', accuracy) # 准确率
      # Merge all the summaries and write them out to
      # /tmp/tensorflow/mnist/logs/mnist_with_summaries (by default)
      merged = tf.summary.merge_all()
      train_writer = tf.summary.FileWriter(FLAGS.log_dir + '/train', sess.graph)
      test_writer = tf.summary.FileWriter(FLAGS.log_dir + '/test')
      tf.global_variables_initializer().run()
      def feed_dict(train):
        """Make a TensorFlow feed_dict: maps data onto Tensor placeholders."""
        if train or FLAGS.fake_data:
          xs, ys = mnist.train.next_batch(100, fake_data=FLAGS.fake_data)
          k = FLAGS.dropout
        else:
          xs, ys = mnist.test.images, mnist.test.labels
          k = 1.0
        return {x: xs, y_: ys, keep_prob: k}
      for i in range(FLAGS.max_steps):
        if i % 10 == 0:  # Record summaries and test-set accuracy
          summary, acc = sess.run([merged, accuracy], feed_dict=feed_dict(False))
          test_writer.add_summary(summary, i)
          print('Accuracy at step %s: %s' % (i, acc))
        else:  # Record train set summaries, and train
          if i % 100 == 99:  # Record execution stats
            run_options = tf.RunOptions(trace_level=tf.RunOptions.FULL_TRACE)
            run_metadata = tf.RunMetadata()
            summary, _ = sess.run([merged, train_step],
                                  feed_dict=feed_dict(True),
                                  options=run_options,
                                  run_metadata=run_metadata)
            train_writer.add_run_metadata(run_metadata, 'step%03d' % i)
            train_writer.add_summary(summary, i)
            print('Adding run metadata for', i)
          else:  # Record a summary
            summary, _ = sess.run([merged, train_step], feed_dict=feed_dict(True))
            train_writer.add_summary(summary, i)
      train_writer.close()
      test_writer.close()
    def main(_):
      if tf.gfile.Exists(FLAGS.log_dir):
        tf.gfile.DeleteRecursively(FLAGS.log_dir)
      tf.gfile.MakeDirs(FLAGS.log_dir)
      train()
    if __name__ == '__main__':
      parser = argparse.ArgumentParser()
      parser.add_argument('--fake_data', nargs='?', const=True, type=bool,
                          default=False,
                          help='If true, uses fake data for unit testing.')
      parser.add_argument('--max_steps', type=int, default=1000,
                          help='Number of steps to run trainer.')
      parser.add_argument('--learning_rate', type=float, default=0.001,
                          help='Initial learning rate')
      parser.add_argument('--dropout', type=float, default=0.9,
                          help='Keep probability for training dropout.')
      parser.add_argument(
          '--data_dir',
          type=str,
          default=os.path.join(os.getenv('TEST_TMPDIR', '/tmp'),
                               'tensorflow/mnist/input_data'),
          help='Directory for storing input data')
      parser.add_argument(
          '--log_dir',
          type=str,
          default=os.path.join(os.getenv('TEST_TMPDIR', '/tmp'),
                               'tensorflow/mnist/logs/mnist_with_summaries'),
          help='Summaries log directory')
      FLAGS, unparsed = parser.parse_known_args()
      tf.app.run(main=main, argv=[sys.argv[0]] + unparsed)


参考资料:
《TensorFlow技术解析与实战》


欢迎推荐上海机器学习工作机会,我的微信:qingxingfengzi
阅读(35) | 评论(0) | 转发(0) |
给主人留下些什么吧!~~
评论热议
请登录后评论。

登录 注册