一、TensorFlow運(yùn)作方式入門(mén)

fully_connected_feed.py

[python] view plain copy

1. # Copyright 2015 Google Inc. All Rights Reserved.  
2. #  
3. # Licensed under the Apache License, Version 2.0 (the "License");  
4. # you may not use this file except in compliance with the License.  
5. # You may obtain a copy of the License at  
6. #  
7. #     http://www./licenses/LICENSE-2.0  
8. #  
9. # Unless required by applicable law or agreed to in writing, software  
10. # distributed under the License is distributed on an "AS IS" BASIS,  
11. # WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.  
12. # See the License for the specific language governing permissions and  
13. # limitations under the License.  
14. # ==============================================================================  
15.   
16. """Trains and Evaluates the MNIST network using a feed dictionary."""  
17. # pylint: disable=missing-docstring  
18. from __future__ import absolute_import  
19. from __future__ import division  
20. from __future__ import print_function  
21.   
22. import os.path  
23. import time  
24.   
25. import tensorflow.python.platform  
26. import numpy  
27. from six.moves import xrange  # pylint: disable=redefined-builtin  
28. import tensorflow as tf  
29.   
30. #from tensorflow.examples.tutorials.mnist import input_data  
31. #from tensorflow.examples.tutorials.mnist import mnist  
32. import input_data, mnist  
33.   
34. # Basic model parameters as external flags.  
35. flags = tf.app.flags  
36. FLAGS = flags.FLAGS  
37. flags.DEFINE_float('learning_rate', 0.01, 'Initial learning rate.')  
38. flags.DEFINE_integer('max_steps', 2000, 'Number of steps to run trainer.')  
39. flags.DEFINE_integer('hidden1', 128, 'Number of units in hidden layer 1.')  
40. flags.DEFINE_integer('hidden2', 32, 'Number of units in hidden layer 2.')  
41. flags.DEFINE_integer('batch_size', 100, 'Batch size.  '  
42.                      'Must divide evenly into the dataset sizes.')  
43. flags.DEFINE_string('train_dir', 'Mnist_data/', 'Directory to put the training data.')  
44. flags.DEFINE_boolean('fake_data', False, 'If true, uses fake data '  
45.                      'for unit testing.')  
46.   
47.   
48. def placeholder_inputs(batch_size):  
49.   """Generate placeholder variables to represent the input tensors. 
50.  
51.   These placeholders are used as inputs by the rest of the model building 
52.   code and will be fed from the downloaded data in the .run() loop, below. 
53.  
54.   Args: 
55.     batch_size: The batch size will be baked into both placeholders. 
56.  
57.   Returns: 
58.     images_placeholder: Images placeholder. 
59.     labels_placeholder: Labels placeholder. 
60.   """  
61.   # Note that the shapes of the placeholders match the shapes of the full  
62.   # image and label tensors, except the first dimension is now batch_size  
63.   # rather than the full size of the train or test data sets.  
64.   images_placeholder = tf.placeholder(tf.float32, shape=(batch_size,  
65.                                                          mnist.IMAGE_PIXELS))  
66.   labels_placeholder = tf.placeholder(tf.int32, shape=(batch_size))  
67.   return images_placeholder, labels_placeholder  
68.   
69.   
70. def fill_feed_dict(data_set, images_pl, labels_pl):  
71.   """Fills the feed_dict for training the given step. 
72.  
73.   A feed_dict takes the form of: 
74.   feed_dict = { 
75.       <placeholder>: <tensor of values to be passed for placeholder>, 
76.       .... 
77.   } 
78.  
79.   Args: 
80.     data_set: The set of images and labels, from input_data.read_data_sets() 
81.     images_pl: The images placeholder, from placeholder_inputs(). 
82.     labels_pl: The labels placeholder, from placeholder_inputs(). 
83.  
84.   Returns: 
85.     feed_dict: The feed dictionary mapping from placeholders to values. 
86.   """  
87.   # Create the feed_dict for the placeholders filled with the next  
88.   # `batch size ` examples.  
89.   images_feed, labels_feed = data_set.next_batch(FLAGS.batch_size,  
90.                                                  FLAGS.fake_data)  
91.   feed_dict = {  
92.       images_pl: images_feed,  
93.       labels_pl: labels_feed,  
94.   }  
95.   return feed_dict  
96.   
97.   
98. def do_eval(sess,  
99.             eval_correct,  
100.             images_placeholder,  
101.             labels_placeholder,  
102.             data_set):  
103.   """Runs one evaluation against the full epoch of data. 
104.  
105.   Args: 
106.     sess: The session in which the model has been trained. 
107.     eval_correct: The Tensor that returns the number of correct predictions. 
108.     images_placeholder: The images placeholder. 
109.     labels_placeholder: The labels placeholder. 
110.     data_set: The set of images and labels to evaluate, from 
111.       input_data.read_data_sets(). 
112.   """  
113.   # And run one epoch of eval.  
114.   true_count = 0  # Counts the number of correct predictions.  
115.   steps_per_epoch = data_set.num_examples // FLAGS.batch_size  
116.   num_examples = steps_per_epoch * FLAGS.batch_size  
117.   for step in xrange(steps_per_epoch):  
118.     feed_dict = fill_feed_dict(data_set,  
119.                                images_placeholder,  
120.                                labels_placeholder)  
121.     true_count += sess.run(eval_correct, feed_dict=feed_dict)  
122.   precision = true_count / num_examples  
123.   print('  Num examples: %d  Num correct: %d  Precision @ 1: %0.04f' %  
124.         (num_examples, true_count, precision))  
125.   
126.   
127. def run_training():  
128.   """Train MNIST for a number of steps."""  
129.   # Get the sets of images and labels for training, validation, and  
130.   # test on MNIST.  
131.   data_sets = input_data.read_data_sets(FLAGS.train_dir, FLAGS.fake_data)  
132.   
133.   # Tell TensorFlow that the model will be built into the default Graph.  
134.   with tf.Graph().as_default():  
135.     # Generate placeholders for the images and labels.  
136.     images_placeholder, labels_placeholder = placeholder_inputs(  
137.         FLAGS.batch_size)  
138.   
139.     # Build a Graph that computes predictions from the inference model.  
140.     logits = mnist.inference(images_placeholder,  
141.                              FLAGS.hidden1,  
142.                              FLAGS.hidden2)  
143.   
144.     # Add to the Graph the Ops for loss calculation.  
145.     loss = mnist.loss(logits, labels_placeholder)  
146.   
147.     # Add to the Graph the Ops that calculate and apply gradients.  
148.     train_op = mnist.training(loss, FLAGS.learning_rate)  
149.   
150.     # Add the Op to compare the logits to the labels during evaluation.  
151.     eval_correct = mnist.evaluation(logits, labels_placeholder)  
152.   
153.     # Build the summary operation based on the TF collection of Summaries.  
154.     summary_op = tf.merge_all_summaries()  
155.   
156.     # Create a saver for writing training checkpoints.  
157.     saver = tf.train.Saver()  
158.   
159.     # Create a session for running Ops on the Graph.  
160.     sess = tf.Session()  
161.   
162.     # Run the Op to initialize the variables.  
163.     init = tf.initialize_all_variables()  
164.     sess.run(init)  
165.   
166.     # Instantiate a SummaryWriter to output summaries and the Graph.  
167.     summary_writer = tf.train.SummaryWriter(FLAGS.train_dir,  
168.                                             graph_def=sess.graph_def)  
169.   
170.     # And then after everything is built, start the training loop.  
171.     for step in xrange(FLAGS.max_steps):  
172.       start_time = time.time()  
173.   
174.       # Fill a feed dictionary with the actual set of images and labels  
175.       # for this particular training step.  
176.       feed_dict = fill_feed_dict(data_sets.train,  
177.                                  images_placeholder,  
178.                                  labels_placeholder)  
179.   
180.       # Run one step of the model.  The return values are the activations  
181.       # from the `train_op` (which is discarded) and the `loss` Op.  To  
182.       # inspect the values of your Ops or variables, you may include them  
183.       # in the list passed to sess.run() and the value tensors will be  
184.       # returned in the tuple from the call.  
185.       _, loss_value = sess.run([train_op, loss],  
186.                                feed_dict=feed_dict)  
187.   
188.       duration = time.time() - start_time  
189.   
190.       # Write the summaries and print an overview fairly often.  
191.       if step % 100 == 0:  
192.         # Print status to stdout.  
193.         print('Step %d: loss = %.2f (%.3f sec)' % (step, loss_value, duration))  
194.         # Update the events file.  
195.         summary_str = sess.run(summary_op, feed_dict=feed_dict)  
196.         summary_writer.add_summary(summary_str, step)  
197.   
198.       # Save a checkpoint and evaluate the model periodically.  
199.       if (step + 1) % 1000 == 0 or (step + 1) == FLAGS.max_steps:  
200.         saver.save(sess, FLAGS.train_dir, global_step=step)  
201.         # Evaluate against the training set.  
202.         print('Training Data Eval:')  
203.         do_eval(sess,  
204.                 eval_correct,  
205.                 images_placeholder,  
206.                 labels_placeholder,  
207.                 data_sets.train)  
208.         # Evaluate against the validation set.  
209.         print('Validation Data Eval:')  
210.         do_eval(sess,  
211.                 eval_correct,  
212.                 images_placeholder,  
213.                 labels_placeholder,  
214.                 data_sets.validation)  
215.         # Evaluate against the test set.  
216.         print('Test Data Eval:')  
217.         do_eval(sess,  
218.                 eval_correct,  
219.                 images_placeholder,  
220.                 labels_placeholder,  
221.                 data_sets.test)  
222.   
223.   
224. def main(_):  
225.   run_training()  
226.   
227.   
228. if __name__ == '__main__':  
229.   tf.app.run()  

**`fully_connected_feed.py`**的運(yùn)行結(jié)果如下（本人電腦為2 CPU，沒(méi)有使用GPU）：
```
Extracting Mnist_data/train-images-idx3-ubyte.gz
Extracting Mnist_data/train-labels-idx1-ubyte.gz
Extracting Mnist_data/t10k-images-idx3-ubyte.gz
Extracting Mnist_data/t10k-labels-idx1-ubyte.gz
I tensorflow/core/common_runtime/local_device.cc:25] Local device intra op parallelism threads: 2
I tensorflow/core/common_runtime/local_session.cc:45] Local session inter op parallelism threads: 2
Step 0: loss = 2.33 (0.023 sec)
Step 100: loss = 2.09 (0.007 sec)
Step 200: loss = 1.76 (0.009 sec)
Step 300: loss = 1.36 (0.007 sec)
Step 400: loss = 1.12 (0.007 sec)
Step 500: loss = 0.74 (0.008 sec)
Step 600: loss = 0.78 (0.006 sec)
Step 700: loss = 0.69 (0.007 sec)
Step 800: loss = 0.67 (0.007 sec)
Step 900: loss = 0.52 (0.010 sec)
Training Data Eval:
  Num examples: 55000  Num correct: 47532  Precision @ 1: 0.8642
Validation Data Eval:
  Num examples: 5000  Num correct: 4360  Precision @ 1: 0.8720
Test Data Eval:
  Num examples: 10000  Num correct: 8705  Precision @ 1: 0.8705
Step 1000: loss = 0.56 (0.013 sec)
Step 1100: loss = 0.50 (0.145 sec)
Step 1200: loss = 0.33 (0.007 sec)
Step 1300: loss = 0.44 (0.006 sec)
Step 1400: loss = 0.39 (0.006 sec)
Step 1500: loss = 0.33 (0.009 sec)
Step 1600: loss = 0.56 (0.008 sec)
Step 1700: loss = 0.50 (0.007 sec)
Step 1800: loss = 0.42 (0.006 sec)
Step 1900: loss = 0.41 (0.006 sec)
Training Data Eval:
  Num examples: 55000  Num correct: 49220  Precision @ 1: 0.8949
Validation Data Eval:
  Num examples: 5000  Num correct: 4520  Precision @ 1: 0.9040
Test Data Eval:
  Num examples: 10000  Num correct: 9014  Precision @ 1: 0.9014
[Finished in 22.8s]

二、 Tensorboard訓(xùn)練過(guò)程可視化
 
mnist_with_summaries.py

[python] view plain copy

1. # Copyright 2015 Google Inc. All Rights Reserved.  
2. #  
3. # Licensed under the Apache License, Version 2.0 (the "License");  
4. # you may not use this file except in compliance with the License.  
5. # You may obtain a copy of the License at  
6. #  
7. #     http://www./licenses/LICENSE-2.0  
8. #  
9. # Unless required by applicable law or agreed to in writing, software  
10. # distributed under the License is distributed on an "AS IS" BASIS,  
11. # WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.  
12. # See the License for the specific language governing permissions and  
13. # limitations under the License.  
14. # ==============================================================================  
15.   
16. """A very simple MNIST classifier, modified to display data in TensorBoard. 
17.  
18. See extensive documentation for the original model at 
19. http:///tutorials/mnist/beginners/index.md 
20.  
21. See documentation on the TensorBoard specific pieces at 
22. http:///how_tos/summaries_and_tensorboard/index.md 
23.  
24. If you modify this file, please update the exerpt in 
25. how_tos/summaries_and_tensorboard/index.md. 
26.  
27. """  
28. from __future__ import absolute_import  
29. from __future__ import division  
30. from __future__ import print_function  
31.   
32. import tensorflow.python.platform  
33. #from tensorflow.examples.tutorials.mnist import input_data  
34. import input_data  
35. import tensorflow as tf  
36.   
37. flags = tf.app.flags  
38. FLAGS = flags.FLAGS  
39. flags.DEFINE_boolean('fake_data', False, 'If true, uses fake data '  
40.                      'for unit testing.')  
41. flags.DEFINE_integer('max_steps', 1000, 'Number of steps to run trainer.')  
42. flags.DEFINE_float('learning_rate', 0.01, 'Initial learning rate.')  
43.   
44.   
45. def main(_):  
46.   # Import data  
47.   mnist = input_data.read_data_sets('Mnist_data/', one_hot=True,  
48.                                     fake_data=FLAGS.fake_data)  
49.   
50.   sess = tf.InteractiveSession()  
51.   
52.   # Create the model  
53.   x = tf.placeholder(tf.float32, [None, 784], name='x-input')  
54.   W = tf.Variable(tf.zeros([784, 10]), name='weights')  
55.   b = tf.Variable(tf.zeros([10], name='bias'))  
56.   
57.   # Use a name scope to organize nodes in the graph visualizer  
58.   with tf.name_scope('Wx_b'):  
59.     y = tf.nn.softmax(tf.matmul(x, W) + b)  
60.   
61.   # Add summary ops to collect data  
62.   _ = tf.histogram_summary('weights', W)  
63.   _ = tf.histogram_summary('biases', b)  
64.   _ = tf.histogram_summary('y', y)  
65.   
66.   # Define loss and optimizer  
67.   y_ = tf.placeholder(tf.float32, [None, 10], name='y-input')  
68.   # More name scopes will clean up the graph representation  
69.   with tf.name_scope('xent'):  
70.     cross_entropy = -tf.reduce_sum(y_ * tf.log(y))  
71.     _ = tf.scalar_summary('cross entropy', cross_entropy)  
72.   with tf.name_scope('train'):  
73.     train_step = tf.train.GradientDescentOptimizer(  
74.         FLAGS.learning_rate).minimize(cross_entropy)  
75.   
76.   with tf.name_scope('test'):  
77.     correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))  
78.     accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))  
79.     _ = tf.scalar_summary('accuracy', accuracy)  
80.   
81.   # Merge all the summaries and write them out to /tmp/mnist_logs  
82.   merged = tf.merge_all_summaries()  
83.   writer = tf.train.SummaryWriter('/tmp/mnist_logs', sess.graph_def)  
84.   tf.initialize_all_variables().run()  
85.   
86.   # Train the model, and feed in test data and record summaries every 10 steps  
87.   
88.   for i in range(FLAGS.max_steps):  
89.     if i % 10 == 0:  # Record summary data and the accuracy  
90.       if FLAGS.fake_data:  
91.         batch_xs, batch_ys = mnist.train.next_batch(  
92.             100, fake_data=FLAGS.fake_data)  
93.         feed = {x: batch_xs, y_: batch_ys}  
94.       else:  
95.         feed = {x: mnist.test.images, y_: mnist.test.labels}  
96.       result = sess.run([merged, accuracy], feed_dict=feed)  
97.       summary_str = result[0]  
98.       acc = result[1]  
99.       writer.add_summary(summary_str, i)  
100.       print('Accuracy at step %s: %s' % (i, acc))  
101.     else:  
102.       batch_xs, batch_ys = mnist.train.next_batch(  
103.           100, fake_data=FLAGS.fake_data)  
104.       feed = {x: batch_xs, y_: batch_ys}  
105.       sess.run(train_step, feed_dict=feed)  
106.   
107. if __name__ == '__main__':  
108.   tf.app.run()