代碼：tensorflow/g3doc/tutorials/mnist/

本篇教程的目的，是向大家展示如何利用TensorFlow使用（經(jīng)典）MNIST數(shù)據(jù)集訓(xùn)練并評(píng)估一個(gè)用于識(shí)別手寫數(shù)字的簡(jiǎn)易前饋神經(jīng)網(wǎng)絡(luò)（feed-forward neural network）。我們的目標(biāo)讀者，是有興趣使用TensorFlow的資深機(jī)器學(xué)習(xí)人士。

因此，撰寫該系列教程并不是為了教大家機(jī)器學(xué)習(xí)領(lǐng)域的基礎(chǔ)知識(shí)。

在學(xué)習(xí)本教程之前，請(qǐng)確保您已按照安裝TensorFlow教程中的要求，完成了安裝。

教程使用的文件

本教程引用如下文件：

只需要直接運(yùn)行fully_connected_feed.py文件，就可以開始訓(xùn)練：

python fully_connected_feed.py

準(zhǔn)備數(shù)據(jù)

MNIST是機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)經(jīng)典問題，指的是讓機(jī)器查看一系列大小為28x28像素的手寫數(shù)字灰度圖像，并判斷這些圖像代表0-9中的哪一個(gè)數(shù)字。

更多相關(guān)信息，請(qǐng)查閱Yann LeCun網(wǎng)站中關(guān)于MNIST的介紹 或者Chris Olah對(duì)MNIST的可視化探索。

下載

在run_training()方法的一開始，input_data.read_data_sets()函數(shù)會(huì)確保你的本地訓(xùn)練文件夾中，已經(jīng)下載了正確的數(shù)據(jù)，然后將這些數(shù)據(jù)解壓并返回一個(gè)含有DataSet實(shí)例的字典。

data_sets = input_data.read_data_sets(FLAGS.train_dir, FLAGS.fake_data)

注意：fake_data標(biāo)記是用于單元測(cè)試的，讀者可以不必理會(huì)。

了解更多數(shù)據(jù)有關(guān)信息，請(qǐng)查閱此系列教程的數(shù)據(jù)下載 部分.

輸入與占位符（Inputs and Placeholders）

placeholder_inputs()函數(shù)將生成兩個(gè)tf.placeholder操作，定義傳入圖表中的shape參數(shù)，shape參數(shù)中包括batch_size值，后續(xù)還會(huì)將實(shí)際的訓(xùn)練用例傳入圖表。

images_placeholder = tf.placeholder(tf.float32, shape=(batch_size,
 IMAGE_PIXELS))
labels_placeholder = tf.placeholder(tf.int32, shape=(batch_size))

在訓(xùn)練循環(huán)（training loop）的后續(xù)步驟中，傳入的整個(gè)圖像和標(biāo)簽數(shù)據(jù)集會(huì)被切片，以符合每一個(gè)操作所設(shè)置的batch_size值，占位符操作將會(huì)填補(bǔ)以符合這個(gè)batch_size值。然后使用feed_dict參數(shù)，將數(shù)據(jù)傳入sess.run()函數(shù)。

構(gòu)建圖表 （Build the Graph）

在為數(shù)據(jù)創(chuàng)建占位符之后，就可以運(yùn)行mnist.py文件，經(jīng)過三階段的模式函數(shù)操作：inference()， loss()，和training()。圖表就構(gòu)建完成了。

1.inference() —— 盡可能地構(gòu)建好圖表，滿足促使神經(jīng)網(wǎng)絡(luò)向前反饋并做出預(yù)測(cè)的要求。

2.loss() —— 往inference圖表中添加生成損失（loss）所需要的操作（ops）。

3.training() —— 往損失圖表中添加計(jì)算并應(yīng)用梯度（gradients）所需的操作。

推理（Inference）

inference()函數(shù)會(huì)盡可能地構(gòu)建圖表，做到返回包含了預(yù)測(cè)結(jié)果（output prediction）的Tensor。

它接受圖像占位符為輸入，在此基礎(chǔ)上借助ReLu(Rectified Linear Units)激活函數(shù)，構(gòu)建一對(duì)完全連接層（layers），以及一個(gè)有著十個(gè)節(jié)點(diǎn)（node）、指明了輸出logtis模型的線性層。

每一層都創(chuàng)建于一個(gè)唯一的tf.name_scope之下，創(chuàng)建于該作用域之下的所有元素都將帶有其前綴。

with tf.name_scope('hidden1') as scope:

在定義的作用域中，每一層所使用的權(quán)重和偏差都在tf.Variable實(shí)例中生成，并且包含了各自期望的shape。

weights = tf.Variable(
tf.truncated_normal([IMAGE_PIXELS, hidden1_units],
stddev=1.0 / math.sqrt(float(IMAGE_PIXELS))),
name='weights')
biases = tf.Variable(tf.zeros([hidden1_units]),
 name='biases')

例如，當(dāng)這些層是在hidden1作用域下生成時(shí)，賦予權(quán)重變量的獨(dú)特名稱將會(huì)是"hidden1/weights"。

每個(gè)變量在構(gòu)建時(shí)，都會(huì)獲得初始化操作（initializer ops）。

在這種最常見的情況下，通過tf.truncated_normal函數(shù)初始化權(quán)重變量，給賦予的shape則是一個(gè)二維tensor，其中第一個(gè)維度代表該層中權(quán)重變量所連接（connect from）的單元數(shù)量，第二個(gè)維度代表該層中權(quán)重變量所連接到的（connect to）單元數(shù)量。對(duì)于名叫hidden1的第一層，相應(yīng)的維度則是[IMAGE_PIXELS, hidden1_units]，因?yàn)闄?quán)重變量將圖像輸入連接到了hidden1層。tf.truncated_normal初始函數(shù)將根據(jù)所得到的均值和標(biāo)準(zhǔn)差，生成一個(gè)隨機(jī)分布。

然后，通過tf.zeros函數(shù)初始化偏差變量（biases），確保所有偏差的起始值都是0，而它們的shape則是其在該層中所接到的（connect to）單元數(shù)量。

圖表的三個(gè)主要操作，分別是兩個(gè)tf.nn.relu操作，它們中嵌入了隱藏層所需的tf.matmul；以及l(fā)ogits模型所需的另外一個(gè)tf.matmul。三者依次生成，各自的tf.Variable實(shí)例則與輸入占位符或下一層的輸出tensor所連接。

hidden1 = tf.nn.relu(tf.matmul(images, weights) + biases)

hidden2 = tf.nn.relu(tf.matmul(hidden1, weights) + biases)

logits = tf.matmul(hidden2, weights) + biases

最后，程序會(huì)返回包含了輸出結(jié)果的logitsTensor。

損失（Loss）

loss()函數(shù)通過添加所需的損失操作，進(jìn)一步構(gòu)建圖表。

首先，labels_placeholer中的值，將被編碼為一個(gè)含有1-hot values的Tensor。例如，如果類標(biāo)識(shí)符為“3”，那么該值就會(huì)被轉(zhuǎn)換為：
[0, 0, 0, 1, 0, 0, 0, 0, 0, 0]

batch_size = tf.size(labels)
labels = tf.expand_dims(labels, 1)
indices = tf.expand_dims(tf.range(0, batch_size, 1), 1)
concated = tf.concat(1, [indices, labels])
onehot_labels = tf.sparse_to_dense(
concated, tf.pack([batch_size, NUM_CLASSES]), 1.0, 0.0)

之后，又添加一個(gè)tf.nn.softmax_cross_entropy_with_logits操作，用來比較inference()函數(shù)與1-hot標(biāo)簽所輸出的logits Tensor。

cross_entropy = tf.nn.softmax_cross_entropy_with_logits(logits,
onehot_labels,
name='xentropy')

然后，使用tf.reduce_mean函數(shù)，計(jì)算batch維度（第一維度）下交叉熵（cross entropy）的平均值，將將該值作為總損失。

loss = tf.reduce_mean(cross_entropy, name='xentropy_mean')

最后，程序會(huì)返回包含了損失值的Tensor。

注意：交叉熵是信息理論中的概念，可以讓我們描述如果基于已有事實(shí)，相信神經(jīng)網(wǎng)絡(luò)所做的推測(cè)最壞會(huì)導(dǎo)致什么結(jié)果。更多詳情，請(qǐng)查閱博文《可視化信息理論》(http://colah.github.io/posts/2015-09-Visual-Information/)

訓(xùn)練

training()函數(shù)添加了通過梯度下降（gradient descent）將損失最小化所需的操作。

首先，該函數(shù)從loss()函數(shù)中獲取損失Tensor，將其交給tf.scalar_summary，后者在與SummaryWriter（見下文）配合使用時(shí)，可以向事件文件（events file）中生成匯總值（summary values）。在本篇教程中，每次寫入?yún)R總值時(shí)，它都會(huì)釋放損失Tensor的當(dāng)前值（snapshot value）。

tf.scalar_summary(loss.op.name, loss)

接下來，我們實(shí)例化一個(gè)tf.train.GradientDescentOptimizer，負(fù)責(zé)按照所要求的學(xué)習(xí)效率（learning rate）應(yīng)用梯度下降法（gradients）。

optimizer = tf.train.GradientDescentOptimizer(FLAGS.learning_rate)

之后，我們生成一個(gè)變量用于保存全局訓(xùn)練步驟（global training step）的數(shù)值，并使用minimize()函數(shù)更新系統(tǒng)中的三角權(quán)重（triangle weights）、增加全局步驟的操作。根據(jù)慣例，這個(gè)操作被稱為 train_op，是TensorFlow會(huì)話（session）誘發(fā)一個(gè)完整訓(xùn)練步驟所必須運(yùn)行的操作（見下文）。

global_step = tf.Variable(0, name='global_step', trainable=False)
train_op = optimizer.minimize(loss, global_step=global_step)

最后，程序返回包含了訓(xùn)練操作（training op）輸出結(jié)果的Tensor。

訓(xùn)練模型

一旦圖表構(gòu)建完畢，就通過fully_connected_feed.py文件中的用戶代碼進(jìn)行循環(huán)地迭代式訓(xùn)練和評(píng)估。

圖表

在run_training()這個(gè)函數(shù)的一開始，是一個(gè)Python語(yǔ)言中的with命令，這個(gè)命令表明所有已經(jīng)構(gòu)建的操作都要與默認(rèn)的tf.Graph全局實(shí)例關(guān)聯(lián)起來。

with tf.Graph().as_default():

tf.Graph實(shí)例是一系列可以作為整體執(zhí)行的操作。TensorFlow的大部分場(chǎng)景只需要依賴默認(rèn)圖表一個(gè)實(shí)例即可。

利用多個(gè)圖表的更加復(fù)雜的使用場(chǎng)景也是可能的，但是超出了本教程的范圍。

會(huì)話

完成全部的構(gòu)建準(zhǔn)備、生成全部所需的操作之后，我們就可以創(chuàng)建一個(gè)tf.Session，用于運(yùn)行圖表。

sess = tf.Session()

另外，也可以利用with代碼塊生成Session，限制作用域：

with tf.Session() as sess:

Session函數(shù)中沒有傳入?yún)?shù)，表明該代碼將會(huì)依附于（如果還沒有創(chuàng)建會(huì)話，則會(huì)創(chuàng)建新的會(huì)話）默認(rèn)的本地會(huì)話。

生成會(huì)話之后，所有tf.Variable實(shí)例都會(huì)立即通過調(diào)用各自初始化操作中的sess.run()函數(shù)進(jìn)行初始化。

init = tf.initialize_all_variables()
sess.run(init)

sess.run()方法將會(huì)運(yùn)行圖表中與作為參數(shù)傳入的操作相對(duì)應(yīng)的完整子集。在初次調(diào)用時(shí)，init操作只包含了變量初始化程序tf.group。圖表的其他部分不會(huì)在這里，而是在下面的訓(xùn)練循環(huán)運(yùn)行。

訓(xùn)練循環(huán)

完成會(huì)話中變量的初始化之后，就可以開始訓(xùn)練了。

訓(xùn)練的每一步都是通過用戶代碼控制，而能實(shí)現(xiàn)有效訓(xùn)練的最簡(jiǎn)單循環(huán)就是：

for step in xrange(max_steps):
sess.run(train_op)

但是，本教程中的例子要更為復(fù)雜一點(diǎn)，原因是我們必須把輸入的數(shù)據(jù)根據(jù)每一步的情況進(jìn)行切分，以匹配之前生成的占位符。

向圖表提供反饋

執(zhí)行每一步時(shí)，我們的代碼會(huì)生成一個(gè)反饋?zhàn)值洌╢eed dictionary），其中包含對(duì)應(yīng)步驟中訓(xùn)練所要使用的例子，這些例子的哈希鍵就是其所代表的占位符操作。

fill_feed_dict函數(shù)會(huì)查詢給定的DataSet，索要下一批次batch_size的圖像和標(biāo)簽，與占位符相匹配的Tensor則會(huì)包含下一批次的圖像和標(biāo)簽。

images_feed, labels_feed = data_set.next_batch(FLAGS.batch_size)

然后，以占位符為哈希鍵，創(chuàng)建一個(gè)Python字典對(duì)象，鍵值則是其代表的反饋Tensor。

feed_dict = {
images_placeholder: images_feed,
labels_placeholder: labels_feed,
}

這個(gè)字典隨后作為feed_dict參數(shù)，傳入sess.run()函數(shù)中，為這一步的訓(xùn)練提供輸入樣例。

檢查狀態(tài)

在運(yùn)行sess.run函數(shù)時(shí)，要在代碼中明確其需要獲取的兩個(gè)值：[train_op, loss]。

for step in xrange(FLAGS.max_steps):
feed_dict = fill_feed_dict(data_sets.train,
 images_placeholder,
 labels_placeholder)
_, loss_value = sess.run([train_op, loss],
 feed_dict=feed_dict)

因?yàn)橐@取這兩個(gè)值，sess.run()會(huì)返回一個(gè)有兩個(gè)元素的元組。其中每一個(gè)Tensor對(duì)象，對(duì)應(yīng)了返回的元組中的numpy數(shù)組，而這些數(shù)組中包含了當(dāng)前這步訓(xùn)練中對(duì)應(yīng)Tensor的值。由于train_op并不會(huì)產(chǎn)生輸出，其在返回的元祖中的對(duì)應(yīng)元素就是None，所以會(huì)被拋棄。但是，如果模型在訓(xùn)練中出現(xiàn)偏差，loss Tensor的值可能會(huì)變成NaN，所以我們要獲取它的值，并記錄下來。

假設(shè)訓(xùn)練一切正常，沒有出現(xiàn)NaN，訓(xùn)練循環(huán)會(huì)每隔100個(gè)訓(xùn)練步驟，就打印一行簡(jiǎn)單的狀態(tài)文本，告知用戶當(dāng)前的訓(xùn)練狀態(tài)。

if step % 100 == 0:print 'Step %d: loss = %.2f (%.3f sec)' % (step, loss_value, duration)

狀態(tài)可視化

為了釋放TensorBoard所使用的事件文件（events file），所有的即時(shí)數(shù)據(jù)（在這里只有一個(gè)）都要在圖表構(gòu)建階段合并至一個(gè)操作（op）中。

summary_op = tf.merge_all_summaries()

在創(chuàng)建好會(huì)話（session）之后，可以實(shí)例化一個(gè)tf.train.SummaryWriter，用于寫入包含了圖表本身和即時(shí)數(shù)據(jù)具體值的事件文件。

summary_writer = tf.train.SummaryWriter(FLAGS.train_dir,
graph_def=sess.graph_def)

最后，每次運(yùn)行summary_op時(shí)，都會(huì)往事件文件中寫入最新的即時(shí)數(shù)據(jù)，函數(shù)的輸出會(huì)傳入事件文件讀寫器（writer）的add_summary()函數(shù)。。

summary_str = sess.run(summary_op, feed_dict=feed_dict)
summary_writer.add_summary(summary_str, step)

事件文件寫入完畢之后，可以就訓(xùn)練文件夾打開一個(gè)TensorBoard，查看即時(shí)數(shù)據(jù)的情況。

注意：了解更多如何構(gòu)建并運(yùn)行TensorBoard的信息，請(qǐng)查看相關(guān)教程Tensorboard：訓(xùn)練過程可視化。

保存檢查點(diǎn)（checkpoint）

為了得到可以用來后續(xù)恢復(fù)模型以進(jìn)一步訓(xùn)練或評(píng)估的檢查點(diǎn)文件（checkpoint file），我們實(shí)例化一個(gè)tf.train.Saver。

saver = tf.train.Saver()

在訓(xùn)練循環(huán)中，將定期調(diào)用saver.save()方法，向訓(xùn)練文件夾中寫入包含了當(dāng)前所有可訓(xùn)練變量值得檢查點(diǎn)文件。

saver.save(sess, FLAGS.train_dir, global_step=step)

這樣，我們以后就可以使用saver.restore()方法，重載模型的參數(shù)，繼續(xù)訓(xùn)練。

saver.restore(sess, FLAGS.train_dir)

評(píng)估模型

每隔一千個(gè)訓(xùn)練步驟，我們的代碼會(huì)嘗試使用訓(xùn)練數(shù)據(jù)集與測(cè)試數(shù)據(jù)集，對(duì)模型進(jìn)行評(píng)估。do_eval函數(shù)會(huì)被調(diào)用三次，分別使用訓(xùn)練數(shù)據(jù)集、驗(yàn)證數(shù)據(jù)集合測(cè)試數(shù)據(jù)集。

print 'Training Data Eval:'do_eval(sess,
eval_correct,
images_placeholder,
labels_placeholder,
data_sets.train)print 'Validation Data Eval:'do_eval(sess,
eval_correct,
images_placeholder,
labels_placeholder,
data_sets.validation)print 'Test Data Eval:'do_eval(sess,
eval_correct,
images_placeholder,
labels_placeholder,
data_sets.test)

注意，更復(fù)雜的使用場(chǎng)景通常是，先隔絕data_sets.test測(cè)試數(shù)據(jù)集，只有在大量的超參數(shù)優(yōu)化調(diào)整（hyperparameter tuning）之后才進(jìn)行檢查。但是，由于MNIST問題比較簡(jiǎn)單，我們?cè)谶@里一次性評(píng)估所有的數(shù)據(jù)。

構(gòu)建評(píng)估圖表（Eval Graph）

在打開默認(rèn)圖表（Graph）之前，我們應(yīng)該先調(diào)用get_data(train=False)函數(shù)，抓取測(cè)試數(shù)據(jù)集。

test_all_images, test_all_labels = get_data(train=False)

在進(jìn)入訓(xùn)練循環(huán)之前，我們應(yīng)該先調(diào)用mnist.py文件中的evaluation函數(shù)，傳入的logits和標(biāo)簽參數(shù)要與loss函數(shù)的一致。這樣做事為了先構(gòu)建Eval操作。

eval_correct = mnist.evaluation(logits, labels_placeholder)

evaluation函數(shù)會(huì)生成tf.nn.in_top_k 操作，如果在K個(gè)最有可能的預(yù)測(cè)中可以發(fā)現(xiàn)真的標(biāo)簽，那么這個(gè)操作就會(huì)將模型輸出標(biāo)記為正確。在本文中，我們把K的值設(shè)置為1，也就是只有在預(yù)測(cè)是真的標(biāo)簽時(shí)，才判定它是正確的。

eval_correct = tf.nn.in_top_k(logits, labels, 1)

評(píng)估圖表的輸出（Eval Output）

之后，我們可以創(chuàng)建一個(gè)循環(huán)，往其中添加feed_dict，并在調(diào)用sess.run()函數(shù)時(shí)傳入eval_correct操作，目的就是用給定的數(shù)據(jù)集評(píng)估模型。

for step in xrange(steps_per_epoch):
feed_dict = fill_feed_dict(data_set,
 images_placeholder,
 labels_placeholder)
true_count += sess.run(eval_correct, feed_dict=feed_dict)

true_count變量會(huì)累加所有in_top_k操作判定為正確的預(yù)測(cè)之和。接下來，只需要將正確測(cè)試的總數(shù)，除以例子總數(shù)，就可以得出準(zhǔn)確率了。

precision = float(true_count) / float(num_examples)print 'Num examples: %dNum correct: %dPrecision @ 1: %0.02f' % (
num_examples, true_count, precision)

原文：TensorFlow Mechanics 101 翻譯：bingjin 校對(duì)：LichAmnesia