清华AI自强计划作业3

作业3"/>

清华AI自强计划作业3

如何将作业提供的神经网络模型优化跑出99%的准确率

导读

mnist数据集基本上可以算做是数据科学里的hello world程序。

对于Part3部分的作业，按照注释部分的提示可以达到96%的准确率。

关于准确率的进一步优化

激活函数

在尝试了不同的激活函数sigmoid、relu、tanh之后，在本次作业的模型里sigmoid的表现较后两者更为出色。

神经元

通过增加A1、A2层的神经元个数同样可以提高训练精度，但神经元的个数并不是越多越好，需要进行不断调试。

学习率

对于学习率的设置，通过调试也可以提高训练精度。注释部分的提示原学习率设为0.01，但经过手动调试之后当Lr=0.05时，可以获得最高的精度。此外，还可以借助TensorFlow提供的一种更灵活的学习率设置方法——指数衰减法。tf.train.exponential_decay函数实现了指数衰减学习率。下面给出一段代码来示范如何在TensorFlow中使用tf.train.exponential_decay函数。

global_step = tf.Variable(0)#通过exponential_decay函数生成学习率。learning_rate = tf.train.exponential_decay(0.1,global_step,100,0.96,staircase=True)# 在训练利用梯度下降法中，使用指数衰减学习率。在minimize函数中传入global_step将自动更新#global_step参数，从而使得学习率也得到相应更新train_step = tf.train.GradientDescentOptimizer(learning_rate)\.minimize(cross_entropy,global_step=global_step)

代码实现

from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf# MNIST数据存放的路径
file = "../MNIST"# 导入数据，首先检测file路径下是否存在数据集，若不存在，则到网上下载.
# MNIST下载地址：/
# 注意：下载后需要解压
mnist = input_data.read_data_sets(file, one_hot=True)#读取数据集，标签数据设置为one-hot格式。即n维标签中只有一个数据为1，其余为0# 模型的输入和输出
# 为模型的输入输出申请占位符，作为外部数据与网络模型的交互接口
# 784=28*28
x  = tf.placeholder(tf.float32, shape=[None,784])  #申请占位符 输入图像 N*784的矩阵 [None, 784]
y_ = tf.placeholder(tf.float32, shape=[None,10])  #申请占位符 输入label N*10的矩阵[None, 10]# 将tensor图中的输入和变量进行计算  通过tf.layers.dense搭建全连接网络层，并为该层设置对应的输入、神经元个数、激活函数
# 通过units设置神经元的个数，通过activation设置激活函数，可设定的激活函数，请参考 = tf.layers.dense(inputs=x, units=96,activation=tf.nn.sigmoid)  #添加全连接层，神经元个数为96个，激活函数为sigmoid、tanh或relu
A2 = tf.layers.dense(inputs=A1,units=96,activation=tf.nn.sigmoid)  #添加全连接层，神经元个数为96个，激活函数为sigmoid、tanh或relu
y  = tf.layers.dense(inputs=A2,units=10, activation=tf.nn.softmax)  #添加全连接层，设置激活函数为sigmoid或softmax，由于输出类别是10，所以输出层神经元个数为10# 交叉熵 用来度量y_与y之间的差异性
# y_表示样本的标签 one-hot形式 ; y表示tensor流图计算出的值，即预测值
cross_entropy = -tf.reduce_sum(y_*tf.log(y))#对损失求和#global_step = tf.Variable(0)
##learning_rate = tf.train.exponential_decay(0.1,global_step,100,0.96,staircase=True)
# 训练 利用梯度下降法，以0.01的学习率最小化目标函数（cross_entropy）
train_step = tf.train.GradientDescentOptimizer(0.05).minimize(cross_entropy) #设置随机梯度下降的学习率为0.01，最小化目标函数为cross_entropy################################### 测试  ###################################
# 计算模型预测结果与标签中相等的部分
# 调用tf.equal计算模型预测结果y与标签结果y_的差异，预测正确则返回1，预测错误则返回0；
# tf.argmax(y, 1)为计算y中每行数据最大值的索引;
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))# 根据correct_prediction计算模型预测精度
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))# 创建Session，用于启动tensor图
sess = tf.InteractiveSession()# 调用global_variables_initializer函数，将前面定义的Variable变量按照设置的初始化方式，进行初始化
sess.run(tf.global_variables_initializer())  #执行tf.global_variables_initializer()，初始化模型参数#循环训练，设置迭代次数为20000
for i in range(20000):#选取mnist训练数据集，设置minibatchsize为50，即选取样本集中的50个样本batch = mnist.train.next_batch(50)if i% 1000 == 0:train_accuracy = accuracy.eval(feed_dict={x:batch[0],y_:batch[1]})print("step %d, training accuracy %g" % (i, train_accuracy))#启动tensor流图，并执行训练，输入数据为图像（batch[0]）和对应的标签（batch[1]）train_step.run(feed_dict={x: batch[0], y_: batch[1]})# 启动tensor流图，计算模型预测精度，模型输入数据为train/test的图像和对应标签
print(sess.run(accuracy, feed_dict={x: mnist.train.images, y_:mnist.train.labels}))#计算模型在训练集上的准确率
print(sess.run(accuracy, feed_dict={x: mnist.test.images,  y_:mnist.test.labels}))#计算模型在测试集上的准确率# 结果输出
logFileName = "logText.txt"
logFile = open(logFileName, "w")
logFile.write(str(sess.run(accuracy, feed_dict={x: mnist.train.images, y_:mnist.train.labels})))
logFile.write("\n")
logFile.write(str(sess.run(accuracy, feed_dict={x: mnist.test.images,  y_:mnist.test.labels})))
logFile.close()

运行结果

参考资料

/
TensorFlow实战Google深度学习框架（第2版）