y君用tensorflow跑MNIST的一个代码示例（带中文注释）

morinson

y君用tensorflow跑MNIST的一个代码示例（带中文注释）

作者：y君   整理:morinson  来源：FGM学习组

y君同学在FGM学习研究组中比较早的搭建起环境，跑了示例。并在2015.12.4日的小组线上分享会议中进行了精彩演示和讲解。并分享了其做了详细中文注释的示例代码。获得大家一致好评。

最近有事情耽搁，一直没有将其给的带中文注释的代码发布出来，希望大家谅解。现在将代码及注释，发布出来。帖子中只是一部分，完整的请下载附件，阅读里面的readme.txt使用。


readme.txt

1. 把yjun这个文件夹放到以下目录
   
2. /root/tensorflow-master/tensorflow/g3doc/tutorials/mnist
   
3. get_data.py 对应着原来的 input_data.py
   
4. mnist_test.py 是我自己写的测试
   
5. 还有部分没有完全理解 这周暂时就这么多东西了sss
   

复制代码

get_data.py

1. # -*- coding: utf-8 -*-
   
2. """Functions for downloading and reading MNIST data."""
   
3. from __future__ import absolute_import
   
4. from __future__ import division
   
5. from __future__ import print_function
   
6. import gzip
   
7. import os
   
8. import numpy
   
9. from six.moves import urllib
   
10. from six.moves import xrange  # pylint: disable=redefined-builtin
    
11. 
    
12. SOURCE_URL = 'http://yann.lecun.com/exdb/mnist/'
    
13. 
    
14. #DataSet对象
    
15. '''
    
16. self     类似 C++ this
    
17. '''
    
18. class DataSet(object):
    
19.   def __init__(self, images, labels, fake_data=False):
    
20.     if fake_data:
    
21.       self._num_examples = 10000
    
22.     else:
    
23.       assert images.shape[0] == labels.shape[0], (
    
24.           "images.shape: %s labels.shape: %s" % (images.shape,
    
25.                                                  labels.shape))
    
26.       #保存数据长度到num_examples
    
27.       self._num_examples = images.shape[0]
    
28.       
    
29.       print ("self._num_examples : ", (self._num_examples))
    
30.       
    
31.       # Convert shape from [num examples, rows, columns, depth]
    
32.       # to [num examples, rows*columns] (assuming depth == 1)
    
33.       
    
34.       print ("num ",images.shape[0])
    
35.       print ("rows",images.shape[1])
    
36.       print ("cols",images.shape[2])
    
37.       
    
38.       assert images.shape[3] == 1
    
39.       images = images.reshape(images.shape[0],
    
40.                               images.shape[1] * images.shape[2])
    
41.       
    
42.       # Convert from [0, 255] -> [0.0, 1.0].
    
43.       images = images.astype(numpy.float32)
    
44.       images = numpy.multiply(images, 1.0 / 255.0)
    
45.       
    
46.     print ("-------")
    
47.     self._images = images
    
48.     self._labels = labels
    
49.     self._epochs_completed = 0
    
50.     self._index_in_epoch = 0
    
51.     print ("__init__ end")
    
52. 
    
53.   
    
54.   @property
    
55.   def images(self):
    
56.     return self._images
    
57. 
    
58.   @property
    
59.   def labels(self):
    
60.     return self._labels
    
61. 
    
62.   @property
    
63.   def num_examples(self):
    
64.     return self._num_examples
    
65. 
    
66.   @property
    
67.   def epochs_completed(self):
    
68.     return self._epochs_completed
    
69.   #作用为切换样本
    
70.   def next_batch(self, batch_size, fake_data=False):
    
71.     """Return the next `batch_size` examples from this data set."""
    
72.     if fake_data:
    
73.       fake_image = [1.0 for _ in xrange(784)]
    
74.       fake_label = 0
    
75.       return [fake_image for _ in xrange(batch_size)], [
    
76.           fake_label for _ in xrange(batch_size)]
    
77.    
    
78.     start = self._index_in_epoch
    
79.     self._index_in_epoch += batch_size
    
80.     #判断index是否超过最大样本数量 超过的话就是训练完了
    
81.     if self._index_in_epoch > self._num_examples:
    
82.       # Finished epoch
    
83.       self._epochs_completed += 1
    
84.       # Shuffle the data
    
85.       perm = numpy.arange(self._num_examples)
    
86.       numpy.random.shuffle(perm)
    
87.       self._images = self._images[perm]
    
88.       self._labels = self._labels[perm]
    
89.       # Start next epoch
    
90.       start = 0
    
91.       self._index_in_epoch = batch_size
    
92.       assert batch_size <= self._num_examples
    
93.     #计算切换样本后的index
    
94.     end = self._index_in_epoch
    
95.     #根据计算后的index  在iamges 和label 中读取数据
    
96.     return self._images[start:end], self._labels[start:end]
    
97. 
    
98. #读取一个int32类型的数据
    
99. def _read32(bytestream):
    
100.   dt = numpy.dtype(numpy.uint32).newbyteorder('>')
     
101.   result = numpy.frombuffer(bytestream.read(4), dtype=dt)
     
102.   return result
     
103. 
     
104. def dense_to_one_hot(labels_dense, num_classes=10):
     
105.   """Convert class labels from scalars to one-hot vectors."""
     
106.   #获取标签数量
     
107.   num_labels = labels_dense.shape[0]
     
108.   index_offset = numpy.arange(num_labels) * num_classes
     
109.   #清零
     
110.   labels_one_hot = numpy.zeROS((num_labels, num_classes))
     
111.   #末尾填1 ?
     
112.   labels_one_hot.flat[index_offset + labels_dense.ravel()] = 1
     
113.   return labels_one_hot
     
114. 
     
115. #函数功能是下载文件 如果有文件就不下载了
     
116. def maybe_download(filename, work_directory):
     
117.   
     
118.   if not os.path.exists(work_directory):
     
119.     #如果不存在目录 就创建一个
     
120.     os.mkdir(work_directory)
     
121.   #把文件目录和文件名合成
     
122.   filepath = os.path.join(work_directory, filename)
     
123.   print('filename : ', filename)
     
124.   if not os.path.exists(filepath):
     
125.     #如果不存在文件就开始下载
     
126.     print('SOURCE_URL + filename : ', SOURCE_URL + filename)
     
127.     filepath, _ = urllib.request.urlretrieve(SOURCE_URL + filename, filepath)
     
128.     #获取文件状态
     
129.     statinfo = os.stat(filepath)
     
130.     #输出下载成功
     
131.     print('Successfully downloaded', filename, statinfo.st_size, 'bytes.')
     
132.   return filepath
     
133. 
     
134. def getfiledata(filepath):
     
135.   print('mapfile : ', filepath)
     
136.   #打开目标文件
     
137.   with gzip.open(filepath) as bytestream:
     
138.     magic = _read32(bytestream)
     
139.     if magic != 2051:
     
140.       raise ValueError(
     
141.           'Invalid magic number %d in MNIST image file: %s' %
     
142.           (magic, filepath))
     
143.     num_images = _read32(bytestream)
     
144.     rows = _read32(bytestream)
     
145.     cols = _read32(bytestream)
     
146.     buf = bytestream.read(rows * cols * num_images)
     
147.     data = numpy.frombuffer(buf, dtype=numpy.uint8)
     
148.     #扩展为 data[num_images][rows][cols][1]
     
149.     data = data.reshape(num_images, rows, cols,1)
     
150.    
     
151.     return data
     
152.   
     
153. def getlabeldata(filepath, one_hot=False):
     
154.   """Extract the labels into a 1D uint8 numpy array [index]."""
     
155.   print('mapfile : ', filepath)
     
156.   with gzip.open(filepath) as bytestream:
     
157.     magic = _read32(bytestream)
     
158.     if magic != 2049:
     
159.       raise ValueError(
     
160.           'Invalid magic number %d in MNIST label file: %s' %
     
161.           (magic, filepath))
     
162.     num_items = _read32(bytestream)
     
163.     buf = bytestream.read(num_items)
     
164.     labels = numpy.frombuffer(buf, dtype=numpy.uint8)
     
165.     if one_hot:
     
166.       return dense_to_one_hot(labels)
     
167.     return labels
     
168.   
     
169. def downloadimagefile(train_dir,fake_data=False, one_hot=False):
     
170.   class DataSets(object):
     
171.     pass
     
172.   data_sets = DataSets()
     
173.   #55000训练图像，5000验证图片训练图像，5000验证图片
     
174.   TRAIN_IMAGES = 'train-images-idx3-ubyte.gz'
     
175.   #训练集标签
     
176.   TRAIN_LABELS = 'train-labels-idx1-ubyte.gz'
     
177.   #测试集图像 - 10000图片
     
178.   TEST_IMAGES = 't10k-images-idx3-ubyte.gz'
     
179.   #测试集标签
     
180.   TEST_LABELS = 't10k-labels-idx1-ubyte.gz'
     
181.   VALIDATION_SIZE = 5000
     
182.   print ("load file")
     
183.   #下载训练集图像  local_file 存放的是下载下来的文件路径
     
184.   file_path = maybe_download(TRAIN_IMAGES, train_dir)
     
185.   train_images = getfiledata(file_path)
     
186.   #训练集标签
     
187.   file_path = maybe_download(TRAIN_LABELS, train_dir)
     
188.   train_labels = getlabeldata(file_path, one_hot=one_hot)
     
189.   #测试集图像
     
190.   file_path = maybe_download(TEST_IMAGES, train_dir)
     
191.   test_images = getfiledata(file_path)
     
192.   #测试集标签
     
193.   file_path = maybe_download(TEST_LABELS, train_dir)
     
194.   test_labels = getlabeldata(file_path, one_hot=one_hot)
     
195.   
     
196.   validation_images = train_images[:VALIDATION_SIZE]
     
197.   validation_labels = train_labels[:VALIDATION_SIZE]
     
198.   
     
199.   train_images = train_images[VALIDATION_SIZE:]
     
200.   train_labels = train_labels[VALIDATION_SIZE:]
     
201.   
     
202.   #作为主要训练集。
     
203.   data_sets.train = DataSet(train_images, train_labels)
     
204.   #用于迭代验证训练准确度。
     
205.   data_sets.validation = DataSet(validation_images, validation_labels)
     
206.   #用于最终测试训练准确度
     
207.   data_sets.test = DataSet(test_images, test_labels)
     
208.   
     
209.   return data_sets
     
210.   
     

复制代码

mnist_test.py

1. # -*- coding: utf-8 -*-
   
2. import tensorflow as tf
   
3. import get_data
   
4. import numpy
   
5. 
   
6. #下载数据
   
7. import math
   
8. import numpy as np
   
9. from array import array
   
10. 
    
11. '''
    
12. x = np.arange(1, 1001).reshape(20, 50)
    
13. print x
    
14. print x.flat[3]
    
15. a = numpy.array([[1,2,3],[4,5,6],[7,8,9]])
    
16. print a.shape
    
17. '''
    
18. 
    
19. mnist = get_data.downloadimagefile("MNIST_data/",one_hot=True)
    
20. 
    
21. 
    
22. #创建一个session 方便在shell中用
    
23. sess = tf.InteractiveSession()
    
24. 
    
25. #开始构建回归模型
    
26. #先创建占位符 占位符并不能直接输出 因为这个格式只有tf自己能够识别 这是一个二维数组 一维任意长度
    
27. #一维为batch大小 二维是图片所有像素点 28*28=784
    
28. x = tf.placeholder("float", [None, 784])
    
29. y_ = tf.placeholder("float", shape=[None, 10])
    
30. 
    
31. #定义权重W和偏置b 全部初始化为0
    
32. #w是一个28*28*10的矩阵 因为有28*28个像素点 和10个输出值
    
33. W = tf.Variable(tf.zeros([784,10]))
    
34. 
    
35. #因为有10个分类 所以b 长度为10
    
36. b = tf.Variable(tf.zeros([10]))
    
37. 
    
38. #Variable 定义的变量需要在session之前调用initialize_all_variables完成初始化 才能载session中使用
    
39. sess.run(tf.initialize_all_variables())
    
40. 
    
41. #计算每个分类的softmax概率值
    
42. y = tf.nn.softmax(tf.matmul(x,W) + b)
    
43. 
    
44. #计算交叉熵
    
45. #tf.reduce_sum把minibatch里的每张图片的交叉熵值都加起来了。我们计算的交叉熵是指整个minibatch的。
    
46. cross_entropy = -tf.reduce_sum(y_*tf.log(y))
    
47. 
    
48. #我们已经定义好了模型和训练的时候用的损失函数，接下来使用TensorFlow来训练。
    
49. #因为TensorFlow知道整个计算图，它会用自动微分法来找到损失函数对于各个变量的梯度。
    
50. #TensorFlow有大量内置的优化算法. 这个例子中，我们用最速下降法让交叉熵下降，步长为0.01.
    
51. train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
    
52. #这一行代码实际上是用来往计算图上添加一个新操作，其中包括计算梯度，计算每个参数的步长变化，并且计算出新的参数值。
    
53. 
    
54. #train_step这个操作，用梯度下降来更新权值。因此，整个模型的训练可以通过反复地运行train_step来完成。
    
55. #每次迭代加载50个样本
    
56. rows = 28
    
57. cols = 28
    
58. num_images = 1
    
59. 
    
60. for i in range(1000):
    
61.   #next_batch会自动把数据转换成tf能认的
    
62.   batch = mnist.train.next_batch(50)
    
63.   train_step.run(feed_dict={x: batch[0], y_: batch[1]})
    
64. 
    
65. correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
    
66. accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
    
67. 
    
68. print accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels})
    
69. 
    
70. 
    
71. 
    
72. 
    
73. 
    
74. 
    
75. #下面构建一个多层卷积网络 上面的代码只有%91准确率
    
76. #在创建模型之前，我们先来创建权重和偏置。一般来说，初始化时应加入轻微噪声，来打破对称性，防止零梯度的问题。
    
77. #因为我们用的是ReLU，所以用稍大于0的值来初始化偏置能够避免节点输出恒为0的问题（dead neurons）。
    
78. #为了不在建立模型的时候反复做初始化操作，我们定义两个函数用于初始化。
    
79. def weight_variable(shape):
    
80.   initial = tf.truncated_normal(shape, stddev=0.1)
    
81.   return tf.Variable(initial)
    
82. 
    
83. def bias_variable(shape):
    
84.   initial = tf.constant(0.1, shape=shape)
    
85.   return tf.Variable(initial)
    
86. #卷积和池化
    
87. #TensorFlow在卷积和池化上有很强的灵活性。
    
88. #我们怎么处理边界？步长应该设多大？在这个实例里，我们会一直使用vanilla版本。
    
89. #我们的卷积使用1步长（stride size），0边距（padding size）的模板，保证输出和输入是同一个大小。
    
90. #我们的池化用简单传统的2x2大小的模板做max pooling。为了代码更简洁，我们把这部分抽象成一个函数。
    
91. def conv2d(x, W):
    
92.   return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
    
93. 
    
94. def max_pool_2x2(x):
    
95.   return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
    
96.                         strides=[1, 2, 2, 1], padding='SAME')
    
97. #第一层卷积
    
98. #现在我们可以开始实现第一层了。它由一个卷积接一个max pooling完成。
    
99. #卷积在每个5x5的patch中算出32个特征。权重是一个[5, 5, 1, 32]的张量，
    
100. #前两个维度是patch的大小，接着是输入的通道数目，最后是输出的通道数目。输出对应一个同样大小的偏置向量。
     
101. W_conv1 = weight_variable([5, 5, 1, 32])
     
102. b_conv1 = bias_variable([32])
     
103. #为了用这一层，我们把x变成一个4d向量，第2、3维对应图片的宽高，最后一维代表颜色通道。
     
104. x_image = tf.reshape(x, [-1,28,28,1])
     
105. 
     
106. #我们把x_image和权值向量进行卷积相乘，加上偏置，使用ReLU激活函数，最后max pooling。
     
107. h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
     
108. h_pool1 = max_pool_2x2(h_conv1)
     
109. 
     
110. #第二层卷积
     
111. #为了构建一个更深的网络，我们会把几个类似的层堆叠起来。第二层中，每个5x5的patch会得到64个特征。
     
112. W_conv2 = weight_variable([5, 5, 32, 64])
     
113. b_conv2 = bias_variable([64])
     
114. 
     
115. h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
     
116. h_pool2 = max_pool_2x2(h_conv2)
     
117. 
     
118. #密集连接层
     
119. #现在，图片降维到7x7，我们加入一个有1024个神经元的全连接层，用于处理整个图片。
     
120. #我们把池化层输出的张量reshape成一些向量，乘上权重矩阵，加上偏置，使用ReLU激活。
     
121. W_fc1 = weight_variable([7 * 7 * 64, 1024])
     
122. b_fc1 = bias_variable([1024])
     
123. 
     
124. h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
     
125. h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
     
126. 
     
127. #Dropout
     
128. #为了减少过拟合，我们在输出层之前加入dropout。我们用一个placeholder来代表一个神经元在dropout中被保留的概率。
     
129. #这样我们可以在训练过程中启用dropout，在测试过程中关闭dropout。
     
130. #TensorFlow的tf.nn.dropout操作会自动处理神经元输出值的scale。所以用dropout的时候可以不用考虑scale。
     
131. keep_prob = tf.placeholder("float")
     
132. h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
     
133. 
     
134. #输出层
     
135. #最后，我们添加一个softmax层，就像前面的单层softmax regression一样。
     
136. W_fc2 = weight_variable([1024, 10])
     
137. b_fc2 = bias_variable([10])
     
138. 
     
139. y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)
     
140. 
     
141. #训练和评估模型
     
142. #这次效果又有多好呢？我们用前面几乎一样的代码来测测看。
     
143. #只是我们会用更加复杂的ADAM优化器来做梯度最速下降，在feed_dict中加入额外的参数keep_prob来控制dropout比例。
     
144. #然后每100次迭代输出一次日志。
     
145. cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv))
     
146. train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
     
147. correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
     
148. accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
     
149. sess.run(tf.initialize_all_variables())
     
150. for i in range(20000):
     
151.   batch = mnist.train.next_batch(50)
     
152.   if i%100 == 0:
     
153.     train_accuracy = accuracy.eval(feed_dict={
     
154.         x:batch[0], y_: batch[1], keep_prob: 1.0})
     
155.     print "step %d, training accuracy %g"%(i, train_accuracy)
     
156.   train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})
     
157. 
     
158. print "test accuracy %g"%accuracy.eval(feed_dict={
     
159.     x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0})
     
160. 
     
161. 
     
162. 
     
163. 
     
164. 
     
165. 
     

复制代码

yjun12-04.zip (18 KB, 下载次数: 100)

2015-12-9 19:50 上传

点击文件名下载附件
下载积分: 金钱 -1

cjy大头

已经下载，等俺安装完了再来评论，谢谢