Tensorflow学习--无隐藏层实现mnist数据集及保存读取模型

下列代码有一些不太明白的函数可以在W3Cschool中的TensorFlow官方文档https://www.w3cschool.cn/tensorflow_python/中查找。

如tf.reset_default_graph()函数https://www.w3cschool.cn/tensorflow_python/tensorflow_python-nmgf2idd.html

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets("MNIST_data/",one_hot=True)

tf.reset_default_graph()#tf.reset_default_graph函数用于清除默认图形堆栈并重置全局默认图形。
#搭建模型
x = tf.placeholder(tf.float32,[None,784])#mnist data 维度 28*28=784
y = tf.placeholder(tf.float32,[None,10])#0-9 数字=> 10个类

#设置模型参数
W = tf.Variable(tf.random_normal([784,10]))#从正态分布中输出随机值。
b = tf.Variable(tf.zeros([10]))

#正向传播
pred = tf.nn.softmax(tf.matmul(x,W) + b)#softmax分类

#反向传播，将生成的pred与样本标签y进行一次交叉熵运算最小化误差cost
#求导数矩阵，并按列（indices=1）求和
cost = tf.reduce_mean(-tf.reduce_sum(y*tf.log(pred),reduction_indices=1))

#参数设置
learning_rate = 0.01

#使用梯度下降优化器
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

training_epochs = 25#训练的轮数
batch_size = 100#每一批次取多少数据
display_step = 1
saver = tf.train.Saver()
model_path = "log/my_model.ckpt" #存储路径,这里为此代码所在路径下的log文件夹下

#启动session，迭代训练模型
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    
    #启动循环开始训练
    for epoch in range(training_epochs):
        avg_cost = 0
        total_batch = int(mnist.train.num_examples/batch_size)#每一轮训练多少批次
        
        #遍历全部数据集
        for i in range(total_batch):
            batch_xs,batch_ys = mnist.train.next_batch(batch_size)
            
            #
            _, c = sess.run([optimizer,cost],feed_dict={x:batch_xs,y:batch_ys})
            
            #计算平均值以使误差值更加平均
            avg_cost += c / total_batch
            
        #显示训练中的详细信息
        if (epoch+1) % display_step == 0:
            print("Epoch:",epoch+1,"cost=","{:.9f}".format(avg_cost))
        
    print("Finished")
    
    
    #测试模型
    correct_prediction = tf.equal(tf.argmax(pred,1),tf.argmax(y,1))#矩阵对比的值
    #计算准确率
    accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))#转换后求平均
    print("Accuracy:",accuracy.eval({x:mnist.test.images,y:mnist.test.labels}))
    
    #存储模型
    save_path = saver.save(sess,model_path)
    print("Model saved in file : %s" % save_path)
    
import pylab
#读取模型
print("Starting 2nd session....")
with tf.Session() as sess2:
    #初始化所有变量
    sess2.run(tf.global_variables_initializer())
    
    #恢复模型并读取所有变量参数进入sess2
    saver.restore(sess2,model_path)
    
    #测试model
    correct_prediction = tf.equal(tf.argmax(pred,1),tf.argmax(y,1))
    
    #计算准确率
    accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32))#转换后求平均
    print("Accuracy:",accuracy.eval({x:mnist.test.images,y:mnist.test.labels}))
    
    output = tf.argmax(pred,1)
    batch_xs,batch_ys = mnist.train.next_batch(2)#返回两个手写数字图片
    outputval,predv = sess2.run([output,pred],feed_dict={x:batch_xs})
    print(outputval,predv,batch_ys)
    
    im = batch_xs[0]
    im = im.reshape(-1,28)
    pylab.imshow(im)
    pylab.show()
    
    im = batch_xs[1]
    im = im.reshape(-1,28)
    pylab.imshow(im)
    pylab.show()

Tensorflow学习--无隐藏层实现mnist数据集及保存读取模型

相关推荐