在TensorFlow上使用LeNet-5模型识别MNIST数据

完整代码可在https://github.com/TimeIvyace/MNIST-TensorFlow.git中下载。文件夹为train_improved3，文件夹中一共三个py程序，mnist_inference.py定义前向传播的过程以及神经网络中的参数，mnist_train.py用于训练和mnist_eval.py用于测试。

注意：使用代码需要修改MNIST数据集存储位置以及卷积网络存储位置。

此代码中的LeNet-5网络为改进版，依然为7层结构，但是使用的第一个卷积层过滤器尺寸为5*5*32，第二个卷积层过滤器尺寸为5*5*64。

注意：训练网络的学习率不宜太高，容易结果发散。

mnist_inference.py : 定义前向传播的过程以及神经网络中的参数

# -*- coding:utf-8 -*-

#定义前向传播的过程以及神经网络中的参数

import tensorflow as tf

INPUT_NODE = 784  #输入层的节点数，图片为28*28，为图片的像素
OUTPUT_NODE = 10   #输出层的节点数，等于类别的数目，需要区分0-9，所以为10类

IMAGE_SIZE = 28
NUM_CHANNELS = 1 #处理的图像深度
NUM_LABELS = 10

# 第一层卷积层的尺寸和深度
CONV1_DEEP = 32
CONV1_SIZE = 5
# 第二层卷积层的尺寸和深度
CONV2_DEEP = 64
CONV2_SIZE = 5
# 全连接层的节点个数
FC_SIZE = 512

# 定义卷积神经网络的前向传播过程，train用于区分训练过程和测试过程
# 增加了dropout方法，进一步提高模型可靠性防止过拟合，dropout只在训练时使用
def inference(input_tensor, train, regularizer):
# 声明第一层卷积层的变量并实现前向传播，通过不同的命名空间来隔离不同层的变量
# 让每一层中的变量命名只需要考虑在当前层的作用，不需要考虑重名
# 因为卷积层输入为28*28*1，使用全0填充
with tf.variable_scope('layer1-conv1'):
conv1_weight = tf.get_variable("weight", [CONV1_SIZE, CONV1_SIZE, NUM_CHANNELS, CONV1_DEEP],
initializer=tf.truncated_normal_initializer(stddev=0.1))
conv1_biases = tf.get_variable("bias", [CONV1_DEEP], initializer=tf.constant_initializer(0.0))

# 使用边长为5，深度为32的过滤器，过滤器移动的步长为1，且使用全0填充
conv1 = tf.nn.conv2d(input_tensor, conv1_weight, [1, 1, 1, 1], padding='SAME')
relu1 = tf.nn.relu(tf.nn.bias_add(conv1, conv1_biases))

# 实现第二层池化层的前向传播过程，选用最大池化，过滤器边长为2，步长2，全0填充
# 池化层的输入是上层卷积层的输出，也就是28*28*32的矩阵，输出为14*14*32的矩阵
with tf.name_scope('layer2-pool1'):
pool1 = tf.nn.max_pool(relu1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')

# 声明第三层卷积层前向传播过程，这一层输入为14*14*32，输出为14*14*64
with tf.variable_scope('layer3-conv2'):
conv2_weight = tf.get_variable("weight", [CONV2_SIZE, CONV2_SIZE, CONV1_DEEP, CONV2_DEEP],
initializer=tf.truncated_normal_initializer(stddev=0.1))
conv2_biases = tf.get_variable("bias", [CONV2_DEEP], initializer=tf.constant_initializer(0.0))

# 使用边长为5，深度为64的过滤器，步长为1，全0填充
conv2 = tf.nn.conv2d(pool1, conv2_weight, [1, 1, 1, 1], padding='SAME')
relu2 = tf.nn.relu(tf.nn.bias_add(conv2, conv2_biases))

# 实现第四层池化层的前向传播过程，与第二层结构一样，输入为14*14*64，输出为7*7*64
with tf.name_scope('layer4-pool2'):
pool2 = tf.nn.max_pool(relu2, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')

# 将第四层池化层的输出转化为第五层全连接的输入格式，需要将7*7*64拉成一个向量
# pool2.get_shape可以得到第四层输出矩阵的维度
# 每一层神经网络的输入输出都为一个batch的矩阵，所以这里得到的维度也包含了一个batch中数据的个数
pool_shape = pool2.get_shape().as_list()
# 计算将矩阵拉直成向量之后的长度，这个长度是矩阵长度以及深度的乘积
# pool_shape[0]为一个batch中数据的个数,[1][2]分别为长宽，[3]为深度
nodes = pool_shape[1] * pool_shape[2] * pool_shape[3]

# 通过tf.reshape函数将第四层的输出变成一个batch的向量
reshaped = tf.reshape(pool2, [pool_shape[0], nodes])

# 声明第五层全连接层的前向传播过程。输入为拉直的向量，长度3136，输出512的向量
# 引入dropout，在训练时会将部分节点的输出改为0，一般只在全连接层使用
with tf.variable_scope('layer5-fc1'):
fc1_weight = tf.get_variable("weight", [nodes, FC_SIZE],
initializer=tf.truncated_normal_initializer(stddev=0.1))
# 只有全连接层的权重需要加入正则化
if regularizer != None:
tf.add_to_collection('losses', regularizer(fc1_weight))
fc1_biases = tf.get_variable("bias", [FC_SIZE], initializer=tf.constant_initializer(0.1))
fc1 = tf.nn.relu(tf.matmul(reshaped, fc1_weight) + fc1_biases)
if train:
fc1 = tf.nn.dropout(fc1, 0.5) # 0.5为每个元素被保存下来的概率

# 声明第六层全连接层的前向传播过程，这一层的输入为长度是512的向量，输出为10的一维向量
# 结果需要通过softmax层
with tf.variable_scope('layer6-fc2'):
fc2_weight = tf.get_variable("weight", [FC_SIZE, OUTPUT_NODE],
initializer=tf.truncated_normal_initializer(stddev=0.1))
if regularizer != None:
tf.add_to_collection('losses', regularizer(fc2_weight))
fc2_biases = tf.get_variable("bias", [OUTPUT_NODE], initializer=tf.constant_initializer(0.1))
logit = tf.matmul(fc1, fc2_weight) + fc2_biases

#返回第六层的输出
return logit

mnist_train.py : 定义神经网络的训练过程

# -*- coding:utf-8 -*-

#定义神经网络的训练过程

import os  #os模块是对操作系统进行调用的接口
import tensorflow as tf
import numpy as np
from tensorflow.examples.tutorials.mnist import input_data

#加载mnist_inference.py中定义的常量和前向传播的函数
import mnist_inference

#配置神经网络的参数
BATCH_SIZE = 100 #一个训练batch中的训练数据个数，数字越小，越接近随机梯度下降，越大越接近梯度下降
LEARNING_RATE_BASE = 0.01 #基础的学习率
LEARNING_RATE_DECAY = 0.99 #学习率的衰减率
REGULARIZATION_RATE = 0.0001 #描述网络复杂度的正则化向在损失函数中的系数
TRAINING_STEPS = 30000 #训练轮数
MOVING_AVERAGE_DECAY = 0.99 #滑动平均衰减率
#模型保存的路径和文件名
MODEL_SAVE_PATH = "/tensorflow_google/mnist"
MODEL_NAME = "mnist.ckpt"

def train(mnist):
#定义输入输出，卷积神经网络的输入层为一个三维矩阵
#第一维为一个batch中样例的个数，第二维和第三维表示图片的尺寸，第四维表示图片的深度
x = tf.placeholder(tf.float32, [BATCH_SIZE, mnist_inference.IMAGE_SIZE,
mnist_inference.IMAGE_SIZE, mnist_inference.NUM_CHANNELS], name='x-input')
y_ = tf.placeholder(tf.float32, [None, mnist_inference.OUTPUT_NODE], name='y-input')

#正则化损失
regularizer = tf.contrib.layers.l2_regularizer(REGULARIZATION_RATE)
#直接使用mnist-inference.py中定义的前向传播过程
y = mnist_inference.inference(x, 1, regularizer)

global_step = tf.Variable(0, trainable=False)
# 初始化滑动平均类
variable_averages = tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY, global_step)
# 在所有代表神经网络参数的变量上使用滑动平均，需要被训练的参数,variable_averages返回的就是GraphKeys.TRAINABLE_VARIABLES中的元素
variable_averages_op = variable_averages.apply(tf.trainable_variables())
# 计算交叉熵，使用了sparse_softmax_cross_entropy_with_logits，当问题只有一个正确答案时，可以使用这个函数来加速交叉熵的计算。
# 这个函数的第一个参数是神经网络不包括softmax层的前向传播结果，第二个是训练数据的正确答案,argmax返回最大值的位置
cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y, labels=tf.argmax(y_, 1))
# 计算在当前batch中所有样例的交叉熵平均值
cross_entropy_mean = tf.reduce_mean(cross_entropy)
loss = cross_entropy_mean + tf.add_n(tf.get_collection('losses'))
# 设置指数衰减的学习率
learning_rate = tf.train.exponential_decay(LEARNING_RATE_BASE, global_step,
mnist.train.num_examples / BATCH_SIZE, LEARNING_RATE_DECAY)
# LEARNING_RATE_BASE为基础学习率，global_step为当前迭代的次数
# mnist.train.num_examples/BATCH_SIZE为完整的过完所有的训练数据需要的迭代次数
# LEARNING_RATE_DECAY为学习率衰减速度

# 使用GradientDescentOptimizer优化算法优化损失函数
train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss, global_step=global_step)
# 在训练神经网络的时候，每过一遍数据都要通过反向传播来更新参数以及其滑动平均值
# 为了一次完成多个操作，可以通过tf.control_dependencies和tf.group两种机制来实现
# train_op = tf.group(train_step, variable_averages_op)  #和下面代码功能一样
with tf.control_dependencies([train_step, variable_averages_op]):
train_op = tf.no_op(name='train')

#初始化TensorFlow持久化类
saver = tf.train.Saver()
with tf.Session() as sess:
tf.global_variables_initializer().run()

#在训练过程中不再测试网络在验证数据上的表现，验证和测试的过程将会有一个独立的程序
for i in range(TRAINING_STEPS):
xs, ys = mnist.train.next_batch(BATCH_SIZE)
#将输入的训练数据调整为一个四维矩阵
reshaped_xs = np.reshape(xs, (BATCH_SIZE, mnist_inference.IMAGE_SIZE,
mnist_inference.IMAGE_SIZE, mnist_inference.NUM_CHANNELS))
_, loss_value, step = sess.run([train_op, loss, global_step],
feed_dict={x: reshaped_xs, y_: ys})
#每1000轮保存一次模型
if i%1000==0:
#输出当前的训练情况，只输出了网络在当前训练batch上的损失函数大小
print("After %d training step(s), loss on training batch is %g," %(step, loss_value))
#保存当前的网络，给出了global_step参数，这样可以让每个保存网络的文件名末尾加上训练的轮数
#例如mnist.ckpt-1000
saver.save(sess, os.path.join(MODEL_SAVE_PATH, MODEL_NAME), global_step=global_step)

def main(argv=None):
mnist = input_data.read_data_sets("/tensorflow_google", one_hot=True)
train(mnist)

if __name__=='__main__':
tf.app.run()

mnist_eval.py : 测试集测试网络效果

# -*- coding: utf-8 -*-
import time
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import numpy as np

#加载mnist_inference和mnist_train中定义的常量和函数
import mnist_inference
import mnist_train

def evaluate(mnist):
with tf.Graph().as_default() as g:  #将默认图设为g
#定义输入输出的格式
Validate_SIZE = mnist.validation.num_examples
x = tf.placeholder(tf.float32, [Validate_SIZE, mnist_inference.IMAGE_SIZE,
mnist_inference.IMAGE_SIZE, mnist_inference.NUM_CHANNELS], name='x-input')
y_ = tf.placeholder(tf.float32, [None, mnist_inference.OUTPUT_NODE], name='y-input')
xs = mnist.validation.images
# 将输入的测试数据调整为一个三维矩阵
reshaped_xs = np.reshape(xs, (Validate_SIZE, mnist_inference.IMAGE_SIZE,
mnist_inference.IMAGE_SIZE, mnist_inference.NUM_CHANNELS))
validate_feed = {x: reshaped_xs, y_: mnist.validation.labels}

#直接通过调用封装好的函数来计算前向传播的结果
#测试时不关注过拟合问题，所以正则化输入为None
y = mnist_inference.inference(x, None, None)

#使用前向传播的结果计算正确率，如果需要对未知的样例进行分类
#使用tf.argmax(y, 1)就可以得到输入样例的预测类别
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
# 首先将一个布尔型的数组转换为实数，然后计算平均值
# 平均值就是网络在这一组数据上的正确率
#True为1，False为0
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

#通过变量重命名的方式来加载模型
variable_averages = tf.train.ExponentialMovingAverage(mnist_train.MOVING_AVERAGE_DECAY)
variable_to_restore = variable_averages.variables_to_restore()
# 所有滑动平均的值组成的字典，处在/ExponentialMovingAverage下的值
# 为了方便加载时重命名滑动平均量，tf.train.ExponentialMovingAverage类
# 提供了variables_to_store函数来生成tf.train.Saver类所需要的变量
saver = tf.train.Saver(variable_to_restore) #这些值要从模型中提取

with tf.Session() as sess:
#tf.train.get_checkpoint_state函数
# 会通过checkpoint文件自动找到目录中最新模型的文件名
ckpt = tf.train.get_checkpoint_state(mnist_train.MODEL_SAVE_PATH)
if ckpt and ckpt.model_checkpoint_path:
#加载模型
saver.restore(sess, ckpt.model_checkpoint_path)
#得到所有的滑动平均值
#通过文件名得到模型保存时迭代的轮数
global_step = ckpt.model_checkpoint_path.split('/')[-1].split('-')[-1]
accuracy_score = sess.run(accuracy, feed_dict=validate_feed) #使用此模型检验
#没有初始化滑动平均值，只是调用模型的值，inference只是提供了一个变量的接口，完全没有赋值
print("After %s training steps, validation accuracy = %g"
%(global_step, accuracy_score))
else:
print("No checkpoint file found")
return

def main(argv=None):
mnist = input_data.read_data_sets("/tensorflow_google", one_hot=True)
evaluate(mnist)

if __name__=='__main__':
tf.app.run()

输出为：After 29001 training steps, validation accuracy = 0.991