1.训练模型参数(权值矩阵、偏置值)并保存到指定文件夹下
#保存训练好的模型参数(权重矩阵、偏置值等)到指定文件夹中
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
#载入数据集,one_hot:将标签转换为只有一位为1,其它为0,会自动从网上下载数据集到当前目录
mnist=input_data.read_data_sets("MNIST_data",one_hot=True)
#每个批次的大小
batch_size=100
#计算一共有多少个批次(整除)
n_batch=mnist.train.num_examples//batch_size
#该神经网络只输入层和输出层,输入层包含784个神经元,输出层包含10个神经元
#定义两个placeholder,将28*28数字图片偏平为规格为784的向量
x=tf.placeholder(tf.float32,[None,784])
#标签结果
y=tf.placeholder(tf.float32,[None,10])
#创建一个简单的神经网络
#权值初始化为0, 784x10
W=tf.Variable(tf.zeros([784,10]))
#偏置值
b=tf.Variable(tf.zeros([10]))
#softmax将输出转化为概率值
prediction=tf.nn.softmax(tf.matmul(x,W)+b)
#二次代价函数,差的平方的平均值
#loss=tf.reduce_mean(tf.square(y-prediction))
#交叉熵代价函数的平均值
loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))
#梯度下降法
train_step=tf.train.GradientDescentOptimizer(0.2).minimize(loss)
#初始化变量
init=tf.global_variables_initializer()
#tf.argmax(y,1)返回1的位置(真实值),tf.argmax(prediction,1)(预测值)返回概率值最大的位置,比较位置是否相等,若想等返回true,不等返回false,存放在布尔列表中
correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#tf.argmax()返回一维张量中最大值的位置
#求准确率
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
saver=tf.train.Saver()
with tf.Session() as sess:
sess.run(init)
# 对所有图片迭代11次
for epoch in range(11):
#对所有图片分批训练一次
for batch in range(n_batch):
#获取一批(100个)样本图片,batch_xs:图片信息,batch_ys:图片标签
batch_xs,batch_ys=mnist.train.next_batch(batch_size)
#利用训练图片信息及对应标签,梯度下降法训练模型,得到权重W及b
sess.run(train_step,feed_dict={x:batch_xs,y:batch_ys})
#利用测试集进行测试该迭代时模型的准确率
acc=sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})
#打印迭代次数及对应准确率
print("Iter "+str(epoch)+",Testing Accuracy "+str(acc))
#保存训练好的模型(权值、偏置值等信息)
saver.save(sess,'net/my_net.ckpt')
查看当前目录net文件夹下结果:
2.载入训练好的模型参数并用于测试集
#载入已经训练好的模型参数测试
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
#载入数据集,one_hot:将标签转换为只有一位为1,其它为0,会自动从网上下载数据集到当前目录
mnist=input_data.read_data_sets("MNIST_data",one_hot=True)
#每个批次的大小
batch_size=100
#计算一共有多少个批次(整除)
n_batch=mnist.train.num_examples//batch_size
#该神经网络只输入层和输出层,输入层包含784个神经元,输出层包含10个神经元
#定义两个placeholder,将28*28数字图片偏平为规格为784的向量
x=tf.placeholder(tf.float32,[None,784])
#标签结果
y=tf.placeholder(tf.float32,[None,10])
#创建一个简单的神经网络
#权值初始化为0, 784x10
W=tf.Variable(tf.zeros([784,10]))
#偏置值
b=tf.Variable(tf.zeros([10]))
#softmax将输出转化为概率值
prediction=tf.nn.softmax(tf.matmul(x,W)+b)
#二次代价函数,差的平方的平均值
#loss=tf.reduce_mean(tf.square(y-prediction))
#交叉熵代价函数的平均值
loss=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction))
#梯度下降法
train_step=tf.train.GradientDescentOptimizer(0.2).minimize(loss)
#初始化变量
init=tf.global_variables_initializer()
#tf.argmax(y,1)返回1的位置(真实值),tf.argmax(prediction,1)(预测值)返回概率值最大的位置,比较位置是否相等,若想等返回true,不等返回false,存放在布尔列表中
correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(prediction,1))#tf.argmax()返回一维张量中最大值的位置
#求准确率
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
saver=tf.train.Saver()
with tf.Session() as sess:
sess.run(init)
#打印准确率(不准确),因为此时权重矩阵为0,偏置值为0
print("未载入模型时准确率:"+str(sess.run(accuracy,feed_dict={x:mnist.test.images,y:mnist.test.labels})))
#载入已经训练好的模型参数(权值矩阵、偏置值)
saver.restore(sess,'net/my_net.ckpt')
#打印准确率,此时权值矩阵、偏置值均不为0
print("载入模型后准确率:"+str(sess.run(accuracy, feed_dict={x: mnist.test.images, y: mnist.test.labels})))