在學習《TensorFlow實戰Google深度學習框架》這本書的時候，發現書上提供的程式碼有一些錯誤。原因是自己的TensorFlow的版本比較高，相對於書上的版本，一些API都變了，所以有些函式在書中的程式中是錯誤的，所以程式在執行的時候就會報錯。

比如：第五章中完整的訓練MNIST資料的神經網路模型的程式程式碼中，直接執行程式的話會遇到以下的錯誤。

首先：ValueError: Only call `sparse_softmax_cross_entropy_with_logits` with named arguments (labels=..., logits=..., ...)

解決：這個原因就是因為這個函式的API發生變化了，要加labels 和logits

於是將程式碼改了：

把下面的這行程式碼

# 計算交叉熵及其平均值
cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(y,tf.argmax(y_, 1))

改成了

cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=y,logits=tf.argmax(y_, 1))

然後繼續執行.....

然後又出現新的錯誤，如下

2.ValueError: Rank mismatch: Rank of labels (received 2) should equal rank of logits minus 1 (received 1).

出現這個錯誤。

這個錯的原因在於，計算交叉熵的時候，比較的兩個概率分佈放反了。

都知道交叉熵是衡量一個概率分佈去表達另一個概率分佈的難度，值越低越好。所以是用預測的結果去表達正確的標籤。

也就是說上述程式碼中labels=tf.argmax(y_, 1)，logits=y。這樣改正之後，問題就解決了。實驗結果也跑出來了。

實驗結果如下圖。

完成程式程式碼如下：

#coding=utf-8
__author__ = 'zhangxiaozi'


import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

INPUT_NODE = 784  # 輸入層節點數
OUTPUT_NODE = 10  # 輸出層節點數

'''配置神經網路的引數'''
LAYER1_NODE = 500  # 隱藏層神經元個數
BATCH_SIZE = 100  # 每次batch打包的樣本個數

# 模型相關的引數
LEARNING_RATE_BASE = 0.8    #基礎學習率
LEARNING_RATE_DECAY = 0.99  #學習率的衰減率
REGULARAZTION_RATE = 0.0001 #描述模型複雜度的正則化項在損失函式中的係數
TRAINING_STEPS = 5000   #訓練輪數
MOVING_AVERAGE_DECAY = 0.99 #滑動平均衰減率


'''定義一個介面函式，用於計算神經網路的前向結果，
其中引數avg_classs是用於計算引數平均值的類
這樣方便在測試時使用滑動平均模型'''

def inference(input_tensor, avg_class, weights1, biases1, weights2, biases2):
    '''

    :param input_tensor: 輸入
    :param avg_class: 用於計算引數平均值的類
    :param weights1: 第一層權重
    :param biases1: 第一層偏置
    :param weights2: 第二層權重
    :param biases2: 第二層偏置
    :return: 返回神經網路的前向結果
    '''
    # 不使用滑動平均類
    if avg_class == None:
        layer1 = tf.nn.relu(tf.matmul(input_tensor, weights1) + biases1)
        return tf.matmul(layer1, weights2) + biases2

    else:
        # 使用滑動平均類計算引數的滑動平均值
        layer1 = tf.nn.relu(tf.matmul(input_tensor, avg_class.average(weights1)) + avg_class.average(biases1))
        return tf.matmul(layer1, avg_class.average(weights2)) + avg_class.average(biases2)

'''訓練模型的過程'''

def train(mnist):
    x = tf.placeholder(tf.float32, [None, INPUT_NODE], name='x-input')      #維度可以自動算出，也就是樣本數
    y_ = tf.placeholder(tf.float32, [None, OUTPUT_NODE], name='y-input')
    # 生成隱藏層的引數。
    weights1 = tf.Variable(tf.truncated_normal([INPUT_NODE, LAYER1_NODE], stddev=0.1))  #一種正態的隨機數
    biases1 = tf.Variable(tf.constant(0.1, shape=[LAYER1_NODE]))
    # 生成輸出層的引數。
    weights2 = tf.Variable(tf.truncated_normal([LAYER1_NODE, OUTPUT_NODE], stddev=0.1))
    biases2 = tf.Variable(tf.constant(0.1, shape=[OUTPUT_NODE]))

    # 計算不含滑動平均類的前向傳播結果
    y = inference(x, None, weights1, biases1, weights2, biases2)

    # 定義訓練輪數及相關的滑動平均類
    global_step = tf.Variable(0, trainable=False)   #一般訓練輪數的變數指定為不可訓練的引數

    #給定滑動平均衰減率和訓練輪數的變數，初始化滑動平均類
    variable_averages = tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY, global_step)

    #在所有代表神經網路的引數的變數上使用滑動平均，其他輔助變數就不需要了
    variables_averages_op = variable_averages.apply(tf.trainable_variables())

    #計算使用滑動平均的前向結果
    average_y = inference(x, variable_averages, weights1, biases1, weights2, biases2)

    # 計算交叉熵及其平均值
    cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=tf.argmax(y_, 1), logits=y)#labels=tf.argmax(y_, 1), logits=y
    #這裡tf.argmax(y_,1)表示在“行”這個維度上張量最大元素的索引號
    cross_entropy_mean = tf.reduce_mean(cross_entropy)

    # 損失函式的計算
    regularizer = tf.contrib.layers.l2_regularizer(REGULARAZTION_RATE)  #正則化損失函式
    regularaztion = regularizer(weights1) + regularizer(weights2)   #模型的正則化損失
    loss = cross_entropy_mean + regularaztion   #總損失函式=交叉熵損失和正則化損失的和

    # 設定指數衰減的學習率。
    learning_rate = tf.train.exponential_decay(
        LEARNING_RATE_BASE,     #基礎學習率
        global_step,            #迭代輪數
        mnist.train.num_examples / BATCH_SIZE,  #過完所有訓練資料需要的迭代次數
        LEARNING_RATE_DECAY,    #學習率衰減速率
        staircase=True)

    # 優化損失函式，用梯度下降法來優化
    train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss, global_step=global_step)

    # 反向傳播更新引數和更新每一個引數的滑動平均值
    with tf.control_dependencies([train_step, variables_averages_op]):
        train_op = tf.no_op(name='train')

    # 計算正確率
    correct_prediction = tf.equal(tf.argmax(average_y, 1), tf.argmax(y_, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

    # 初始化會話，並開始訓練過程。
    with tf.Session() as sess:
        tf.global_variables_initializer().run()
        validate_feed = {x: mnist.validation.images, y_: mnist.validation.labels}
        test_feed = {x: mnist.test.images, y_: mnist.test.labels}

        # 迴圈的訓練神經網路。
        for i in range(TRAINING_STEPS):
            if i % 1000 == 0:
                validate_acc = sess.run(accuracy, feed_dict=validate_feed)
                print("After %d training step(s), validation accuracy using average model is %g " % (i, validate_acc))

            xs, ys = mnist.train.next_batch(BATCH_SIZE)
            sess.run(train_op, feed_dict={x: xs, y_: ys})

        test_acc = sess.run(accuracy, feed_dict=test_feed)
        print(("After %d training step(s), test accuracy using average model is %g" % (TRAINING_STEPS, test_acc)))

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


if __name__ == '__main__':
    print('x')
    main()
    print('x')