1 # -*- coding: utf-8 -*-
 2 """
 3 Created on Thu Oct 18 18:02:26 2018
 4 
 5 @author: zhen
 6 """
 7 
 8 from tensorflow.examples.tutorials.mnist import input_data
 9 import tensorflow as tf
10 
11 # mn.SOURCE_URL = "http://yann.lecun.com/exdb/mnist/"
12 my_mnist = input_data.read_data_sets("C:/Users/zhen/MNIST_data_bak/
 
", one_hot=True)
13 
14 # The MNIST data is split into three parts:
15 # 55,000 data points of training data (mnist.train)
16 # 10,000 points of test data (mnist.test), and
17 # 5,000 points of validation data (mnist.validation).
18 
19 # Each image is 28 pixels by 28 pixels
20 
21 # 輸入的是一堆圖片，None表示不限輸入條數，784表示每張圖片都是一個784個像素值的一維向量
 

22 # 所以輸入的矩陣是None乘以784二維矩陣
23 x = tf.placeholder(dtype=tf.float32, shape=(None, 784))
24 # 初始化都是0，二維矩陣784乘以10個W值
25 W = tf.Variable(tf.zeros([784, 10]))
26 b = tf.Variable(tf.zeros([10]))
27 
28 y = tf.nn.softmax(tf.matmul(x, W) + b)
29 
30 # 訓練
31 # labels是每張圖片都對應一個one-hot的10個值的向量
32 y_ = tf.placeholder(dtype=tf.float32, shape=(None, 10))
 
33 # 定義損失函數，交叉熵損失函數
34 # 對於多分類問題，通常使用交叉熵損失函數
35 # reduction_indices等價於axis，指明按照每行加，還是按照每列加
36 cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y),
37                                               reduction_indices=[1]))
38 train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
39 
40 # 評估
41 
42 # tf.argmax()是一個從tensor中尋找最大值的序號，tf.argmax就是求各個預測的數字中概率最大的那一個
43 
44 correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
45 
46 # 用tf.cast將之前correct_prediction輸出的bool值轉換為float32，再求平均
47 accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
48 
49 # 初始化變量
50 sess = tf.InteractiveSession()
51 tf.global_variables_initializer().run()
52 # 創建Saver節點，用於保存訓練的模型
53 saver = tf.train.Saver()
54 for i in range(100):
55     batch_xs, batch_ys = my_mnist.train.next_batch(100)
56     sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
57     # 每隔一段時間保存一次中間結果
58     if i % 10 == 0:
59         save_path = saver.save(sess, "C:/Users/zhen/MNIST_data_bak/saver/softmax_middle_model.ckpt")
60     
61     # print("TrainSet batch acc : %s " % accuracy.eval({x: batch_xs, y_: batch_ys}))
62     # print("ValidSet acc : %s" % accuracy.eval({x: my_mnist.validation.images, y_: my_mnist.validation.labels}))
63 
64 # 測試
65 print("TestSet acc : %s" % accuracy.eval({x: my_mnist.test.images, y_: my_mnist.test.labels}))
66 # 保存最終的模型
67 save_path = saver.save(sess, "C:/Users/zhen/MNIST_data_bak/saver/softmax_final_model.ckpt")
68 
69 # 使用訓練好的模型直接進行預測
70 with tf.Session() as sess_back:
71     saver.restore(sess_back, "C:/Users/zhen/MNIST_data_bak/saver/softmax_final_model.ckpt")
72     # 評估
73     correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
74     accruary = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
75     # 測試
76     print(accuracy.eval({x : my_mnist.test.images, y_ : my_mnist.test.labels}))
77 # 總結
78 # 1，定義算法公式，也就是神經網絡forward時的計算
79 # 2，定義loss，選定優化器，並指定優化器優化loss
80 # 3，叠代地對數據進行訓練
81 # 4，在測試集或驗證集上對準確率進行評測

結果：

解析：

　　把訓練好的模型存儲落地磁盤，有利於多次使用和共享，也便於當訓練出現異常時能恢復模型而不是重新訓練！

TensorFlow實現Softmax回歸（模型存儲與加載）