Learning Tensorflow (5)

  前节训练了一个简单的 softmax回归 的模型，并且增加了迭代次数以及更换了一下损失函数做了对比参照，这节来训练一个复杂点的模型 卷积神经网络，当然也仅仅是引用和改进一下官网的例子(谁让我是菜鸟呢~呜呜)，才被某“算法大神”明确指出我算法太垃圾，连入门的算不上，(可怜的我内心受到了一万点伤害。。。)，所以要更加要努力学习才能入 大神 的法眼。(其实此刻我的内心是不服气的，呼呼~~),往往有部分 大神 在自己擅长的领域有点小建树时会得意忘形，觉得能出成绩是自我天赋资质好，小白愚笨就该被我教育。话说自己有时候也会时不时在自己擅长的领域下有这种心理出现(心魔好可怕~)，因此要随时告诫自己保持初心，谦虚修行。

  不吐槽了，说正事，来训练一个 CNN 吧

# 加载数据import input_datamnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

  官方准备了数据脚本，可以下载脚本来加载数据，但是需要修改一下脚本当中的名为_read32的函数，在返回语句后添加一个[0]，至于为什么，我没深究，至少在我机器上这样操作脚本加载数据成功了，到达了我的目的就行，世界有太多的为什么，每个都要深究的话，我觉得我的大脑是经不住烧的。

import tensorflow as tf# 训练X数据集占位符x = tf.placeholder("float", [None, 784])# 训练y占位符y_ = tf.placeholder("float", [None, 10])# 初始化权重def weight_variable(shape):  initial = tf.truncated_normal(shape, stddev=0.1)  return tf.Variable(initial)def bias_variable(shape):  initial = tf.constant(0.1, shape=shape)  return tf.Variable(initial)# 卷积池化def conv2d(x, W):  return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')def max_pool_2x2(x):  return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],                        strides=[1, 2, 2, 1], padding='SAME')# 第一层卷积W_conv1 = weight_variable([5, 5, 1, 32])b_conv1 = bias_variable([32])x_image = tf.reshape(x, [-1,28,28,1])h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)h_pool1 = max_pool_2x2(h_conv1)# 第二层卷积W_conv2 = weight_variable([5, 5, 32, 64])b_conv2 = bias_variable([64])h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)h_pool2 = max_pool_2x2(h_conv2)# 密集连接层W_fc1 = weight_variable([7 * 7 * 64, 1024])b_fc1 = bias_variable([1024])h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)# dropoutkeep_prob = tf.placeholder("float")h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)# 输出层W_fc2 = weight_variable([1024, 10])b_fc2 = bias_variable([10])y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)# 训练模型与模型评估cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv))sum_of_square = tf.reduce_sum(tf.pow((y_conv - y_) , 2))train_step = tf.train.AdamOptimizer(1e-4).minimize(sum_of_square)correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1))accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))sess = tf.InteractiveSession()sess.run(tf.initialize_all_variables())for i in range(20000):    batch = mnist.train.next_batch(50)    if i%100 == 0:        train_accuracy = accuracy.eval(feed_dict={x: batch[0], y_: batch[1], keep_prob: 1.0})        print "step %d, training accuracy %g"%(i, train_accuracy)    train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})

  这里与之前模型不同的地方就是多了两层卷积，一个密集连接层和一个dropout，至于为什么要这样处理，参考 CNN 的原理。

  上述代码就完整的训练出了一个 CNN 模型，最终测试，确实有 99.2% 的准确率(官网木有骗人)，看到比较高的准确率，就想刷新一下 kaggle 上手写识别的排名(虽然具体没啥卵用，只是满足一下小小的虚荣心，话说虚荣心也是学习的动力呐！)。那么就需要用训练好的模型来预测一下从 kaggle下载的测试集，测试集可以从 kaggle 上下载，把预测的结果按提交格式要求保存成一个csv文件即可，代码如下：

import numpy as npimport pandas as pd# 加载测试集到内存中test_data = np.loadtxt('test.csv', dtype="float32", delimiter=",")# 得到预测数据pred = sess.run(tf.argmax(y_conv, 1), feed_dict={x: test_data, keep_prob: 1.0})# 构建预测结果数据框并保存至result.csv文件中pred_data = pd.DataFrame({"ImageId": range(1, len(pred) + 1), "label": pred})pred_data.to_csv('result.csv', index=False, sep=',')  

  这里在对测试集进行预测时占用了我机器大量的内存，我 8G 内存被占的满满的，不知道什么道理，测试集数据量确实比官网下载的数据当中的测试集多了一倍还多(官网是10000行，我这里是28000)，我姑且初步断定是数据量较大的原因。

  当我自信满满的提交结果时，果然不出我所料，秀一下我的成果。

   99.8% 的准确率，果然没有对比就没有伤害，之前我用 R语言 的 h2o 包来做神经网络的预测模型，每次训练就要花好几个小时，甚至一整天，但是始终也只有 98% (也许是我不会调参，但是每次训练都那么久，调试也费劲)，这里使用 tensorflow 马上到达了 99.8% ，(实力吹捧一下！)，套用一句： tensorflow 果然名不虚传！