1 #coding:utf-8

 # 日期 2017年9月4日 环境 Python 3.5  TensorFlow 1.3 win10开发环境。

 import tensorflow as tf

 from tensorflow.examples.tutorials.mnist import input_data

 import os

 # 基础的学习率

 LEARNING_RATE_BASE = 0.8

 # 学习率的衰减率

 LEARNING_RATE_DECAY = 0.99

 # 描述模型复杂度的正则化项在损失函数中的系数

 REGULARIZATION_RATE = 0.0001

 # 训练轮数

 TRAINING_STEPS = 30000

 # 滑动平均衰减率

 MOVING_AVERAGE_DECAY = 0.99 

 # 模型持久化保存路径

 MODEL_SAVE_PATH = "MNIST_model/"

 # 模型持久化保存文件名称

 MODEL_NAME = "mnist_model"

 # 输入层节点数（对于数据集，相当于整个图片的像素数目）

 INPUT_NODE = 784

 # 输出层的节点数（根据10个数字决定的）

 OUTPUT_NODE = 10

 # 隐藏层的节点数，此例程中，隐藏层为一层。

 LAYER1_NODE = 500

 # 一个训练batch中的训练数据个数，数字越小的时候，训练过程越接近随机梯度下降。

 BATCH_SIZE = 100 

 def train(mnist):

     # 定义输入输出placeholder。

     x = tf.placeholder(tf.float32, [None, INPUT_NODE], name='x-input')

     y_ = tf.placeholder(tf.float32, [None, OUTPUT_NODE], name='y-input')

     # 正则化损失函数

     regularizer = tf.contrib.layers.l2_regularizer(REGULARIZATION_RATE)

     # 使用定义的向前传播过程

     y = inference(x, regularizer)

     # 定义存储训练轮数的变量。这个变量不需要计算滑动的平均值，所以这里指定这个变量为不可训练的变量（trainable=False）。

     # 在tensorflow中训练神经网络的时候，一般会将代表训练轮数的变量指定为不可训练的参数。

     global_step = tf.Variable(0, trainable=False)

     # 定义损失函数、学习率、滑动平均操作以及训练过程。

     variable_averages = tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY, global_step)

     # 在所有代表神经网络参数的变量上使用滑动平均。其它辅助变量（如global_step）就不需要了

     variables_averages_op = variable_averages.apply(tf.trainable_variables())

     # 计算交叉熵作为刻画预测值和真实值之间差距的损失函数。（第一个参数是神经网络不包含softmax层的前向传播结果，第二个是训练数据的正确答案）

     # 因为标准答案是一个长度为10的一维数组，二该函数需要提供的是一个正确答案的数字，所以需要使用tf.argmax函数来得到正确答案对应的类别编号。

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

     # 计算当前batch中所有样例的交叉熵平均值

     cross_entropy_mean = tf.reduce_mean(cross_entropy)

     # 总损失等于交叉熵和

     loss = cross_entropy_mean + tf.add_n(tf.get_collection('losses'))

     # 设置指数衰减的学习率

     learning_rate = tf.train.exponential_decay(

         LEARNING_RATE_BASE,                                             # 基础的学习率，随着迭代的进行，更新变量时使用的学习率在这个基础上递减

         global_step,                                                    # 当前迭代的轮数

         mnist.train.num_examples / BATCH_SIZE, LEARNING_RATE_DECAY,     # 过完所有的训练数据需要的迭代次数

         staircase=True)                                                

     #  使用tf.train.GradientDescentOptimizer优化算法来优化损失函数。注意这里损失函数包含了交叉熵和正则损失

     train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss, global_step=global_step)

     with tf.control_dependencies([train_step, variables_averages_op]):

         train_op = tf.no_op(name='train')

     # 初始化TensorFlow持久化类。

     saver = tf.train.Saver()

     with tf.Session() as sess:

         tf.global_variables_initializer().run()

         # 在训练过程中，不在测试模型在验证数据上的表现，验证和测试的过程将会有一个独立的程序来完成。

         for i in range(TRAINING_STEPS):

             xs, ys = mnist.train.next_batch(BATCH_SIZE)

             _, loss_value, step = sess.run([train_op, loss, global_step], feed_dict={x: xs, y_: ys})

             if i % 1000 == 0:

                 # 输出当前的训练情况，这里只输出了模型在当前训练batch上的损失函数大小，通过损失函数的大小可以大概了解训练的情况。在验证数据集上的正确

                 # 率信息会有一个单独的程序来生成。

                 print("After %d training step(s), loss on training batch is %g." % (step, loss_value))

                 # 保存当前的模型。global_step参数，这样可以让每个被保存模型的文件名末尾加上训练的轮数，如model.ckpt-1000表示训练1000轮之后得到的模型

                 saver.save(sess, os.path.join(MODEL_SAVE_PATH, MODEL_NAME), global_step=global_step)

 # 通过tf.get_variable函数来获取变量 在测试是会通过保存的模型加载这些变量的取值。而且更加方便的是，因为可以在变量加载时将滑动平均变量重命名

 # 所以可以直接通过同样的名字在训练时使用变量自身，而在测试时使用变量的滑动平均值。这个函数中会将变量的正则化损失加损失集合。

 def get_weight_variable(shape, regularizer):

     weights = tf.get_variable("weights", shape, initializer=tf.truncated_normal_initializer(stddev=0.1))

     # 当给出正则化生产函数时，将当前变量的正则化损失加入名字为Losses的集合。在这里使用了add_to_collection函数将一个张量加入一个集合，

     # 而这个集合的名称为losses.这是自定义集合，不在Tensorflow自动管理的集合列表中

     if regularizer != None: tf.add_to_collection('losses', regularizer(weights))

     return weights

 # 定义神经网络的前向传播过程（初始化所有参数的辅助函数，给定神经网络中的参数）

 def inference(input_tensor, regularizer):

     # 声明第一层神经网络的变量并完成前向传播过程

     with tf.variable_scope('layer1'):

         # 通过tf.get_variable 和tf.Variable没有本质区别，因为在训练或是测试中没有在同一个程序中多次调用这个函数。如果在同一个过程多次调用，

         # 在第一调用的之后需要将resuse参数设置为True

         weights = get_weight_variable([INPUT_NODE, LAYER1_NODE], regularizer)

         biases = tf.get_variable("biases", [LAYER1_NODE], initializer=tf.constant_initializer(0.0))

         layer1 = tf.nn.relu(tf.matmul(input_tensor, weights) + biases)

     # 声明第二层神经网络的变量并完成向前传播的过程

     with tf.variable_scope('layer2'):

         weights = get_weight_variable([LAYER1_NODE, OUTPUT_NODE], regularizer)

         biases = tf.get_variable("biases", [OUTPUT_NODE], initializer=tf.constant_initializer(0.0))

         layer2 = tf.matmul(layer1, weights) + biases

     return layer2

 # 2.主程序部分

 def main(argv=None):

     # 获取数据集（根据谷歌的例程中相关的获取路径）

     mnist = input_data.read_data_sets("../../../datasets/MNIST_data", one_hot=True)

     # 根据数据集训练模型

     train(mnist)

 # 1 .程序入口

 if __name__ == '__main__':

     main()