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)集訓練并評估一個用于識別手寫數(shù)字的簡易前饋神經(jīng)網(wǎng)絡(luò)（feed-forward neural network）。我們的目標讀者，是有興趣使用TensorFlow的資深機器學習人士。

因此，撰寫該系列教程并不是為了教大家機器學習領(lǐng)域的基礎(chǔ)知識。

在學習本教程之前，請確保您已按照安裝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：

只需要直接運行fully_connected_feed.py文件，就可以開始訓練：

python fully_connected_feed.py

準備數(shù)據(jù)

MNIST是機器學習領(lǐng)域的一個經(jīng)典問題，指的是讓機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中的哪一個數(shù)字。

更多相關(guān)信息，請查閱Yann LeCun網(wǎng)站中關(guān)于MNIST的介紹 或者Chris Olah對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)會確保你的本地訓練文件夾中，已經(jīng)下載了正確的數(shù)據(jù)，然后將這些數(shù)據(jù)解壓并返回一個含有DataSet實例的字典。

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

注意：fake_data標記是用于單元測試的，讀者可以不必理會。

了解更多數(shù)據(jù)有關(guān)信息，請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)還會將實際的訓練用例傳入圖表。

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

在訓練循環(huán)（training loop）的后續(xù)步驟中，傳入的整個圖像和標簽數(shù)據(jù)集會被切片，以符合每一個操作所設(shè)置的batch_size值，占位符操作將會填補以符合這個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)向前反饋并做出預測的要求。

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算并應用梯度（gradients）所需的操作。

推理（Inference）

inference()函數(shù)會盡可能地構(gòu)建圖表，做到返回包含了預測結(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)建一對完全連接層（layers），以及一個有著十個節(jié)點（node）、指明了輸出logtis模型的線性層。

每一層都創(chuàng)建于一個唯一的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，當這些層是在hidden1作用域下生成時，賦予權(quán)重變量的獨特名稱將會是"hidden1/weights"。

每個變量在構(gòu)建時，都會獲得初始化操作（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則是一個二維tensor，其中第一個維度代表該層中權(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。對于名叫hidden1的第一層，相應的維度則是[IMAGE_PIXELS, hidden1_units]，因為權(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)所得到的均值和標準差，生成一個隨機分布。

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。

圖表的三個主要操作，分別是兩個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tf.matmul。三者依次生成，各自的tf.Variable實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，進一步構(gòu)建圖表。

首先，labels_placeholer中的值，將被編碼為一個含有1-hot values的Tensor。例如，如果類標識符為“3”，那么該值就會被轉(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tf.nn.softmax_cross_entropy_with_logits操作，用來比較inference()函數(shù)與1-hot標簽所輸出的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，相信神經(jīng)網(wǎng)絡(luò)所做的推測最壞會導致什么結(jié)果。更多詳情，請查閱博文《可視化信息理論》(http://colah.github.io/posts/2015-09-Visual-Information/)

訓練

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，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，它都會釋放損失Tensor的當前值（snapshot value）。

tf.scalar_summary(loss.op.name, loss)

接下來，我們實例化一個tf.train.GradientDescentOptimizer，負責按照所要求的學習效率（learning rate）應用梯度下降法（gradients）。

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

之后，我們生成一個變量用于保存全局訓練步驟（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，這個操作被稱為 train_op，是TensorFlow會話（session）誘發(fā)一個完整訓練步驟所必須運行的操作（見下文）。

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

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

訓練模型

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行循環(huán)地迭代式訓練和評估。

圖表

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

with tf.Graph().as_default():

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

利用多個圖表的更加復雜的使用場景也是可能的，但是超出了本教程的范圍。

會話

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

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)，表明該代碼將會依附于（如果還沒有創(chuàng)建會話，則會創(chuàng)建新的會話）默認的本地會話。

生成會話之后，所有tf.Variable實例都會立即通過調(diào)用各自初始化操作中的sess.run()函數(shù)進行初始化。

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

sess.run()方法將會運行圖表中與作為參數(shù)傳入的操作相對應的完整子集。在初次調(diào)用時，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在這里，而是在下面的訓練循環(huán)運行。

訓練循環(huán)

完成會話中變量的初始化之后，就可以開始訓練了。

訓練的每一步都是通過用戶代碼控制，而能實現(xiàn)有效訓練的最簡單循環(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雜一點，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，我們的代碼會生成一個反饋字典（feed dictionary），其中包含對應步驟中訓練所要使用的例子，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)會查詢給定的DataSet，索要下一批次batch_size的圖像和標簽，與占位符相匹配的Tensor則會包含下一批次的圖像和標簽。

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Python字典對象，鍵值則是其代表的反饋Tensor。

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

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

檢查狀態(tài)

在運行sess.run函數(shù)時，要在代碼中明確其需要獲取的兩個值：[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)

因為要獲取這兩個值，sess.run()會返回一個有兩個元素的元組。其中每一個Tensor對象，對應了返回的元組中的numpy數(shù)組，而這些數(shù)組中包含了當前這步訓練中對應Tensor的值。由于train_op并不會產(chǎn)生輸出，其在返回的元祖中的對應元素就是None，所以會被拋棄。但是，如果模型在訓練中出現(xiàn)偏差，loss Tensor的值可能會變成NaN，所以我們要獲取它的值，并記錄下來。

假設(shè)訓練一切正常，沒有出現(xiàn)NaN，訓練循環(huán)會每隔100個訓練步驟，就打印一行簡單的狀態(tài)文本，告知用戶當前的訓練狀態(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），所有的即時數(shù)據(jù)（在這里只有一個）都要在圖表構(gòu)建階段合并至一個操作（op）中。

summary_op = tf.merge_all_summaries()

在創(chuàng)建好會話（session）之后，可以實例化一個tf.train.SummaryWriter，用于寫入包含了圖表本身和即時數(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，每次運行summary_op時，都會往事件文件中寫入最新的即時數(shù)據(jù)，函數(shù)的輸出會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，可以就訓練文件夾打開一個TensorBoard，查看即時數(shù)據(jù)的情況。

注意：了解更多如何構(gòu)建并運行TensorBoard的信息，請查看相關(guān)教程Tensorboard：訓練過程可視化。

保存檢查點（checkpoint）

為了得到可以用來后續(xù)恢復模型以進一步訓練或評估的檢查點文件（checkpoint file），我們實例化一個tf.train.Saver。

saver = tf.train.Saver()

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

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)訓練。

saver.restore(sess, FLAGS.train_dir)

評估模型

每隔一千個訓練步驟，我們的代碼會嘗試使用訓練數(shù)據(jù)集與測試數(shù)據(jù)集，對模型進行評估。do_eval函數(shù)會被調(diào)用三次，分別使用訓練數(shù)據(jù)集、驗證數(shù)據(jù)集合測試數(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，更復雜的使用場景通常是，先隔絕data_sets.test測試數(shù)據(jù)集，只有在大量的超參數(shù)優(yōu)化調(diào)整（hyperparameter tuning）之后才進行檢查。但是，由于MNIST問題比較簡單，我們在這里一次性評估所有的數(shù)據(jù)。

構(gòu)建評估圖表（Eval Graph）

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

test_all_images, test_all_labels = get_data(train=False)

在進入訓練循環(huán)之前，我們應該先調(diào)用mnist.py文件中的evaluation函數(shù)，傳入的logits和標簽參數(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)會生成tf.nn.in_top_k 操作，如果在K個最有可能的預測中可以發(fā)現(xiàn)真的標簽，那么這個操作就會將模型輸出標記為正確。在本文中，我們把K的值設(shè)置為1，也就是只有在預測是真的標簽時，才判定它是正確的。

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

評估圖表的輸出（Eval Output）

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

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變量會累加所有in_top_k操作判定為正確的預測之和。接下來，只需要將正確測試的總數(shù)，除以例子總數(shù)，就可以得出準確率了。

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：LichAmnesia