TensorFlow运作方式入门

朱雀 2023-07-07 03:47 68阅读 0赞

转载：[http://www.tensorfly.cn/tfdoc/tutorials/mnist\_tf.html][http_www.tensorfly.cn_tfdoc_tutorials_mnist_tf.html]

代码：[tensorflow/g3doc/tutorials/mnist/][tensorflow_g3doc_tutorials_mnist]

本篇教程的目的，是向大家展示如何利用TensorFlow使用（经典）MNIST数据集训练并评估一个用于识别手写数字的简易前馈神经网络（feed-forward neural network）。我们的目标读者，是有兴趣使用TensorFlow的资深机器学习人士。

因此，撰写该系列教程并不是为了教大家机器学习领域的基础知识。

在学习本教程之前，请确保您已按照[安装TensorFlow][TensorFlow]教程中的要求，完成了安装。

## 教程使用的文件 ##

本教程引用如下文件：

<table> 
 <thead> 
  <tr> 
   <th>文件</th> 
   <th>目的</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td><a href="https://tensorflow.googlesource.com/tensorflow/+/master/tensorflow/g3doc/tutorials/mnist/mnist.py" rel="nofollow"><code>mnist.py</code></a></td> 
   <td>构建一个完全连接（fully connected）的MINST模型所需的代码。</td> 
  </tr> 
  <tr> 
   <td><a href="https://tensorflow.googlesource.com/tensorflow/+/master/tensorflow/g3doc/tutorials/mnist/fully_connected_feed.py" rel="nofollow"><code>fully_connected_feed.py</code></a></td> 
   <td>利用下载的数据集训练构建好的MNIST模型的主要代码，以数据反馈字典（feed dictionary）的形式作为输入模型。</td> 
  </tr> 
 </tbody> 
</table>

只需要直接运行`fully_connected_feed.py`文件，就可以开始训练：

`python fully_connected_feed.py`

## 准备数据 ##

MNIST是机器学习领域的一个经典问题，指的是让机器查看一系列大小为28x28像素的手写数字灰度图像，并判断这些图像代表0-9中的哪一个数字。

![MNIST手写数字][MNIST]

更多相关信息，请查阅[Yann LeCun网站中关于MNIST的介绍][Yann LeCun_MNIST] 或者[Chris Olah对MNIST的可视化探索][Chris Olah_MNIST]。

### 下载 ###

在`run_training()`方法的一开始，`input_data.read_data_sets()`函数会确保你的本地训练文件夹中，已经下载了正确的数据，然后将这些数据解压并返回一个含有`DataSet`实例的字典。

data_sets = input_data.read_data_sets(FLAGS.train_dir, FLAGS.fake_data)

**注意**：`fake_data`标记是用于单元测试的，读者可以不必理会。

<table> 
 <thead> 
  <tr> 
   <th>数据集</th> 
   <th>目的</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td><code>data_sets.train</code></td> 
   <td>55000个图像和标签（labels），作为主要训练集。</td> 
  </tr> 
  <tr> 
   <td><code>data_sets.validation</code></td> 
   <td>5000个图像和标签，用于迭代验证训练准确度。</td> 
  </tr> 
  <tr> 
   <td><code>data_sets.test</code></td> 
   <td>10000个图像和标签，用于最终测试训练准确度（trained accuracy）。</td> 
  </tr> 
 </tbody> 
</table>

了解更多数据有关信息，请查阅此系列教程的[数据下载][Link 1] 部分.

### 输入与占位符（Inputs and Placeholders） ###

`placeholder_inputs()`函数将生成两个[`tf.placeholder`][tf.placeholder]操作，定义传入图表中的shape参数，shape参数中包括`batch_size`值，后续还会将实际的训练用例传入图表。

images_placeholder = tf.placeholder(tf.float32, shape=(batch_size,
                                                           IMAGE_PIXELS))
    labels_placeholder = tf.placeholder(tf.int32, shape=(batch_size))

在训练循环（training loop）的后续步骤中，传入的整个图像和标签数据集会被切片，以符合每一个操作所设置的`batch_size`值，占位符操作将会填补以符合这个`batch_size`值。然后使用`feed_dict`参数，将数据传入`sess.run()`函数。

## 构建图表 （Build the Graph） ##

在为数据创建占位符之后，就可以运行`mnist.py`文件，经过三阶段的模式函数操作：`inference()`， `loss()`，和`training()`。图表就构建完成了。

1.`inference()` —— 尽可能地构建好图表，满足促使神经网络向前反馈并做出预测的要求。

2.`loss()` —— 往inference图表中添加生成损失（loss）所需要的操作（ops）。

3.`training()` —— 往损失图表中添加计算并应用梯度（gradients）所需的操作。

![format_png][]

### 推理（Inference） ###

`inference()`函数会尽可能地构建图表，做到返回包含了预测结果（output prediction）的Tensor。

它接受图像占位符为输入，在此基础上借助ReLu(Rectified Linear Units)激活函数，构建一对完全连接层（layers），以及一个有着十个节点（node）、指明了输出logtis模型的线性层。

每一层都创建于一个唯一的[`tf.name_scope`][tf.name_scope]之下，创建于该作用域之下的所有元素都将带有其前缀。

with tf.name_scope('hidden1') as scope:

在定义的作用域中，每一层所使用的权重和偏差都在[`tf.Variable`][tf.Variable]实例中生成，并且包含了各自期望的shape。

weights = tf.Variable(
        tf.truncated_normal([IMAGE_PIXELS, hidden1_units],
                            stddev=1.0 / math.sqrt(float(IMAGE_PIXELS))),
        name='weights')
    biases = tf.Variable(tf.zeros([hidden1_units]),
                         name='biases')

例如，当这些层是在`hidden1`作用域下生成时，赋予权重变量的独特名称将会是"`hidden1/weights`"。

每个变量在构建时，都会获得初始化操作（initializer ops）。

在这种最常见的情况下，通过[`tf.truncated_normal`][tf.truncated_normal]函数初始化权重变量，给赋予的shape则是一个二维tensor，其中第一个维度代表该层中权重变量所连接（connect from）的单元数量，第二个维度代表该层中权重变量所连接到的（connect to）单元数量。对于名叫`hidden1`的第一层，相应的维度则是`[IMAGE_PIXELS, hidden1_units]`，因为权重变量将图像输入连接到了`hidden1`层。`tf.truncated_normal`初始函数将根据所得到的均值和标准差，生成一个随机分布。

然后，通过[`tf.zeros`][tf.zeros]函数初始化偏差变量（biases），确保所有偏差的起始值都是0，而它们的shape则是其在该层中所接到的（connect to）单元数量。

图表的三个主要操作，分别是两个[`tf.nn.relu`][tf.nn.relu]操作，它们中嵌入了隐藏层所需的[`tf.matmul`][tf.matmul]；以及logits模型所需的另外一个`tf.matmul`。三者依次生成，各自的`tf.Variable`实例则与输入占位符或下一层的输出tensor所连接。

hidden1 = tf.nn.relu(tf.matmul(images, weights) + biases)

hidden2 = tf.nn.relu(tf.matmul(hidden1, weights) + biases)

logits = tf.matmul(hidden2, weights) + biases

最后，程序会返回包含了输出结果的`logits`Tensor。

### 损失（Loss） ###

`loss()`函数通过添加所需的损失操作，进一步构建图表。

首先，`labels_placeholer`中的值，将被编码为一个含有1-hot values的Tensor。例如，如果类标识符为“3”，那么该值就会被转换为：   
`[0, 0, 0, 1, 0, 0, 0, 0, 0, 0]`

batch_size = tf.size(labels)
    labels = tf.expand_dims(labels, 1)
    indices = tf.expand_dims(tf.range(0, batch_size, 1), 1)
    concated = tf.concat(1, [indices, labels])
    onehot_labels = tf.sparse_to_dense(
        concated, tf.pack([batch_size, NUM_CLASSES]), 1.0, 0.0)

之后，又添加一个[`tf.nn.softmax_cross_entropy_with_logits`][tf.nn.softmax_cross_entropy_with_logits]操作，用来比较`inference()`函数与1-hot标签所输出的logits Tensor。

cross_entropy = tf.nn.softmax_cross_entropy_with_logits(logits,
                                                            onehot_labels,
                                                            name='xentropy')

然后，使用[`tf.reduce_mean`][tf.reduce_mean]函数，计算batch维度（第一维度）下交叉熵（cross entropy）的平均值，将将该值作为总损失。

loss = tf.reduce_mean(cross_entropy, name='xentropy_mean')

最后，程序会返回包含了损失值的Tensor。

> 注意：交叉熵是信息理论中的概念，可以让我们描述如果基于已有事实，相信神经网络所做的推测最坏会导致什么结果。更多详情，请查阅博文《可视化信息理论》([http://colah.github.io/posts/2015-09-Visual-Information/][http_colah.github.io_posts_2015-09-Visual-Information])

### 训练 ###

`training()`函数添加了通过梯度下降（gradient descent）将损失最小化所需的操作。

首先，该函数从`loss()`函数中获取损失Tensor，将其交给[`tf.scalar_summary`][tf.scalar_summary]，后者在与`SummaryWriter`（见下文）配合使用时，可以向事件文件（events file）中生成汇总值（summary values）。在本篇教程中，每次写入汇总值时，它都会释放损失Tensor的当前值（snapshot value）。

tf.scalar_summary(loss.op.name, loss)

接下来，我们实例化一个[`tf.train.GradientDescentOptimizer`][tf.train.GradientDescentOptimizer]，负责按照所要求的学习效率（learning rate）应用梯度下降法（gradients）。

optimizer = tf.train.GradientDescentOptimizer(FLAGS.learning_rate)

之后，我们生成一个变量用于保存全局训练步骤（global training step）的数值，并使用[`minimize()`][minimize]函数更新系统中的三角权重（triangle weights）、增加全局步骤的操作。根据惯例，这个操作被称为 `train_op`，是TensorFlow会话（session）诱发一个完整训练步骤所必须运行的操作（见下文）。

global_step = tf.Variable(0, name='global_step', trainable=False)
    train_op = optimizer.minimize(loss, global_step=global_step)

最后，程序返回包含了训练操作（training op）输出结果的Tensor。

## 训练模型 ##

一旦图表构建完毕，就通过`fully_connected_feed.py`文件中的用户代码进行循环地迭代式训练和评估。

### 图表 ###

在`run_training()`这个函数的一开始，是一个Python语言中的`with`命令，这个命令表明所有已经构建的操作都要与默认的[`tf.Graph`][tf.Graph]全局实例关联起来。

with tf.Graph().as_default():

`tf.Graph`实例是一系列可以作为整体执行的操作。TensorFlow的大部分场景只需要依赖默认图表一个实例即可。

利用多个图表的更加复杂的使用场景也是可能的，但是超出了本教程的范围。

### 会话 ###

完成全部的构建准备、生成全部所需的操作之后，我们就可以创建一个[`tf.Session`][tf.Session]，用于运行图表。

sess = tf.Session()

另外，也可以利用`with`代码块生成`Session`，限制作用域：

with tf.Session() as sess:

`Session`函数中没有传入参数，表明该代码将会依附于（如果还没有创建会话，则会创建新的会话）默认的本地会话。

生成会话之后，所有`tf.Variable`实例都会立即通过调用各自初始化操作中的[`sess.run()`][sess.run]函数进行初始化。

init = tf.initialize_all_variables()
    sess.run(init)

[`sess.run()`][sess.run]方法将会运行图表中与作为参数传入的操作相对应的完整子集。在初次调用时，`init`操作只包含了变量初始化程序[`tf.group`][tf.group]。图表的其他部分不会在这里，而是在下面的训练循环运行。

### 训练循环 ###

完成会话中变量的初始化之后，就可以开始训练了。

训练的每一步都是通过用户代码控制，而能实现有效训练的最简单循环就是：

for step in xrange(max_steps):
        sess.run(train_op)

但是，本教程中的例子要更为复杂一点，原因是我们必须把输入的数据根据每一步的情况进行切分，以匹配之前生成的占位符。

向图表提供反馈

执行每一步时，我们的代码会生成一个反馈字典（feed dictionary），其中包含对应步骤中训练所要使用的例子，这些例子的哈希键就是其所代表的占位符操作。

`fill_feed_dict`函数会查询给定的`DataSet`，索要下一批次`batch_size`的图像和标签，与占位符相匹配的Tensor则会包含下一批次的图像和标签。

images_feed, labels_feed = data_set.next_batch(FLAGS.batch_size)

然后，以占位符为哈希键，创建一个Python字典对象，键值则是其代表的反馈Tensor。

feed_dict = {
        images_placeholder: images_feed,
        labels_placeholder: labels_feed,
    }

这个字典随后作为`feed_dict`参数，传入`sess.run()`函数中，为这一步的训练提供输入样例。

检查状态

在运行`sess.run`函数时，要在代码中明确其需要获取的两个值：`[train_op, loss]`。

for step in xrange(FLAGS.max_steps):
        feed_dict = fill_feed_dict(data_sets.train,
                                   images_placeholder,
                                   labels_placeholder)
        _, loss_value = sess.run([train_op, loss],
                                 feed_dict=feed_dict)

因为要获取这两个值，`sess.run()`会返回一个有两个元素的元组。其中每一个`Tensor`对象，对应了返回的元组中的numpy数组，而这些数组中包含了当前这步训练中对应Tensor的值。由于`train_op`并不会产生输出，其在返回的元祖中的对应元素就是`None`，所以会被抛弃。但是，如果模型在训练中出现偏差，`loss`Tensor的值可能会变成NaN，所以我们要获取它的值，并记录下来。

假设训练一切正常，没有出现NaN，训练循环会每隔100个训练步骤，就打印一行简单的状态文本，告知用户当前的训练状态。

if step % 100 == 0:
        print 'Step %d: loss = %.2f (%.3f sec)' % (step, loss_value, duration)

状态可视化

为了释放[TensorBoard][]所使用的事件文件（events file），所有的即时数据（在这里只有一个）都要在图表构建阶段合并至一个操作（op）中。

summary_op = tf.merge_all_summaries()

在创建好会话（session）之后，可以实例化一个[`tf.train.SummaryWriter`][tf.train.SummaryWriter]，用于写入包含了图表本身和即时数据具体值的事件文件。

summary_writer = tf.train.SummaryWriter(FLAGS.train_dir,
                                            graph_def=sess.graph_def)

最后，每次运行`summary_op`时，都会往事件文件中写入最新的即时数据，函数的输出会传入事件文件读写器（writer）的`add_summary()`函数。。

summary_str = sess.run(summary_op, feed_dict=feed_dict)
    summary_writer.add_summary(summary_str, step)

事件文件写入完毕之后，可以就训练文件夹打开一个TensorBoard，查看即时数据的情况。

![MNIST TensorBoard][]

**注意**：了解更多如何构建并运行TensorBoard的信息，请查看相关教程[Tensorboard：训练过程可视化][TensorBoard]。

保存检查点（checkpoint）

为了得到可以用来后续恢复模型以进一步训练或评估的检查点文件（checkpoint file），我们实例化一个[`tf.train.Saver`][tf.train.Saver]。

saver = tf.train.Saver()

在训练循环中，将定期调用[`saver.save()`][saver.save]方法，向训练文件夹中写入包含了当前所有可训练变量值得检查点文件。

saver.save(sess, FLAGS.train_dir, global_step=step)

这样，我们以后就可以使用[`saver.restore()`][saver.restore]方法，重载模型的参数，继续训练。

saver.restore(sess, FLAGS.train_dir)

## 评估模型 ##

每隔一千个训练步骤，我们的代码会尝试使用训练数据集与测试数据集，对模型进行评估。`do_eval`函数会被调用三次，分别使用训练数据集、验证数据集合测试数据集。

print 'Training Data Eval:'
    do_eval(sess,
            eval_correct,
            images_placeholder,
            labels_placeholder,
            data_sets.train)
    print 'Validation Data Eval:'
    do_eval(sess,
            eval_correct,
            images_placeholder,
            labels_placeholder,
            data_sets.validation)
    print 'Test Data Eval:'
    do_eval(sess,
            eval_correct,
            images_placeholder,
            labels_placeholder,
            data_sets.test)

> 注意，更复杂的使用场景通常是，先隔绝`data_sets.test`测试数据集，只有在大量的超参数优化调整（hyperparameter tuning）之后才进行检查。但是，由于MNIST问题比较简单，我们在这里一次性评估所有的数据。

### 构建评估图表（Eval Graph） ###

在打开默认图表（Graph）之前，我们应该先调用`get_data(train=False)`函数，抓取测试数据集。

test_all_images, test_all_labels = get_data(train=False)

在进入训练循环之前，我们应该先调用`mnist.py`文件中的`evaluation`函数，传入的logits和标签参数要与`loss`函数的一致。这样做事为了先构建Eval操作。

eval_correct = mnist.evaluation(logits, labels_placeholder)

`evaluation`函数会生成[`tf.nn.in_top_k`][tf.nn.in_top_k] 操作，如果在K个最有可能的预测中可以发现真的标签，那么这个操作就会将模型输出标记为正确。在本文中，我们把K的值设置为1，也就是只有在预测是真的标签时，才判定它是正确的。

eval_correct = tf.nn.in_top_k(logits, labels, 1)

### 评估图表的输出（Eval Output） ###

之后，我们可以创建一个循环，往其中添加`feed_dict`，并在调用`sess.run()`函数时传入`eval_correct`操作，目的就是用给定的数据集评估模型。

for step in xrange(steps_per_epoch):
        feed_dict = fill_feed_dict(data_set,
                                   images_placeholder,
                                   labels_placeholder)
        true_count += sess.run(eval_correct, feed_dict=feed_dict)

`true_count`变量会累加所有`in_top_k`操作判定为正确的预测之和。接下来，只需要将正确测试的总数，除以例子总数，就可以得出准确率了。

precision = float(true_count) / float(num_examples)
    print '  Num examples: %d  Num correct: %d  Precision @ 1: %0.02f' % (
        num_examples, true_count, precision)

[http_www.tensorfly.cn_tfdoc_tutorials_mnist_tf.html]: http://www.tensorfly.cn/tfdoc/tutorials/mnist_tf.html
[tensorflow_g3doc_tutorials_mnist]: https://tensorflow.googlesource.com/tensorflow/+/master/tensorflow/g3doc/tutorials/mnist/
[TensorFlow]: http://www.tensorfly.cn/tfdoc/get_started/os_setup.html
[MNIST]: https://imgconvert.csdnimg.cn/aHR0cDovL3d3dy50ZW5zb3JmbHkuY24vdGZkb2MvaW1hZ2VzL21uaXN0X2RpZ2l0cy5wbmc?x-oss-process=image/format,png
[Yann LeCun_MNIST]: http://yann.lecun.com/exdb/mnist/
[Chris Olah_MNIST]: http://colah.github.io/posts/2014-10-Visualizing-MNIST/
[Link 1]: http://www.tensorfly.cn/tfdoc/tutorials/mnist_download.html
[tf.placeholder]: http://www.tensorfly.cn/tfdoc/api_docs/python/io_ops.html#placeholder
[format_png]: https://imgconvert.csdnimg.cn/aHR0cDovL3d3dy50ZW5zb3JmbHkuY24vdGZkb2MvaW1hZ2VzL21uaXN0X3N1YmdyYXBoLnBuZw?x-oss-process=image/format,png
[tf.name_scope]: http://www.tensorfly.cn/tfdoc/api_docs/python/framework.html#name_scope
[tf.Variable]: http://www.tensorfly.cn/tfdoc/api_docs/python/state_ops.html#Variable
[tf.truncated_normal]: http://www.tensorfly.cn/tfdoc/api_docs/python/constant_op.html#truncated_normal
[tf.zeros]: http://www.tensorfly.cn/tfdoc/api_docs/python/constant_op.html#zeros
[tf.nn.relu]: http://www.tensorfly.cn/tfdoc/api_docs/python/nn.html#relu
[tf.matmul]: http://www.tensorfly.cn/tfdoc/api_docs/python/math_ops.html#matmul
[tf.nn.softmax_cross_entropy_with_logits]: http://www.tensorfly.cn/tfdoc/api_docs/python/nn.html#softmax_cross_entropy_with_logits
[tf.reduce_mean]: http://www.tensorfly.cn/tfdoc/api_docs/python/math_ops.html#reduce_mean
[http_colah.github.io_posts_2015-09-Visual-Information]: http://colah.github.io/posts/2015-09-Visual-Information/
[tf.scalar_summary]: http://www.tensorfly.cn/tfdoc/api_docs/python/train.html#scalar_summary
[tf.train.GradientDescentOptimizer]: http://www.tensorfly.cn/tfdoc/api_docs/python/train.html#GradientDescentOptimizer
[minimize]: http://www.tensorfly.cn/tfdoc/api_docs/python/train.html#Optimizer.minimize
[tf.Graph]: http://www.tensorfly.cn/tfdoc/api_docs/python/framework.html#Graph
[tf.Session]: http://www.tensorfly.cn/tfdoc/api_docs/python/client.html#Session
[sess.run]: http://www.tensorfly.cn/tfdoc/api_docs/python/client.html#Session.run
[tf.group]: http://www.tensorfly.cn/tfdoc/api_docs/python/control_flow_ops.html#group
[TensorBoard]: http://www.tensorfly.cn/tfdoc/how_tos/summaries_and_tensorboard.html
[tf.train.SummaryWriter]: http://www.tensorfly.cn/tfdoc/api_docs/python/train.html#SummaryWriter
[MNIST TensorBoard]: https://imgconvert.csdnimg.cn/aHR0cDovL3d3dy50ZW5zb3JmbHkuY24vdGZkb2MvaW1hZ2VzL21uaXN0X3RlbnNvcmJvYXJkLnBuZw?x-oss-process=image/format,png
[tf.train.Saver]: http://www.tensorfly.cn/tfdoc/api_docs/python/state_ops.html#Saver
[saver.save]: http://www.tensorfly.cn/tfdoc/api_docs/python/state_ops.html#Saver.save
[saver.restore]: http://www.tensorfly.cn/tfdoc/api_docs/python/state_ops.html#Saver.restore
[tf.nn.in_top_k]: http://www.tensorfly.cn/tfdoc/api_docs/python/nn.html#in_top_k