TensorFlow学习笔记（八）—— TensorFlow基于MNIST数据集识别手写数字

布满荆棘的人生 2021-09-27 12:18 583阅读 0赞

# 训练程序 #

参照Tensorflow中文社区教程：  
[http://www.tensorfly.cn/tfdoc/tutorials/mnist\_pros.html][http_www.tensorfly.cn_tfdoc_tutorials_mnist_pros.html]

![70][]  
能在自己的环境中成功运行代码。  
（注意一点：关于教程的print函数）  
![70 1][]  
在博主用的Python3.6版本中，print已经成为了一个函数，而在Python2.7当中print不是一个函数，这里博主是需要加上括号。  
所以根据自己所用的版本，更改这里，例如

print（"Hello")  python3.6
    print "Hello"   python2.7

按照教程将代码跑通之后，接下来就是将模型保存，只需调用一个简单的函数saver.save，以下就是博主根据教程敲得完整代码：

from tensorflow.examples.tutorials.mnist import input_data
    import tensorflow as tf
    #读取数据
    mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
    sess=tf.InteractiveSession()
    #构建cnn网络结构
    #自定义卷积函数（后面卷积时就不用写太多）
    def conv2d(x,w):
        return tf.nn.conv2d(x,w,strides=[1,1,1,1],padding='SAME')
    #自定义池化函数
    def max_pool_2x2(x):
        return tf.nn.max_pool(x,ksize=[1,2,2,1],strides=[1,2,2,1],padding='SAME')
    #设置占位符，尺寸为样本输入和输出的尺寸
    x=tf.placeholder(tf.float32,[None,784])
    y_=tf.placeholder(tf.float32,[None,10])
    x_img=tf.reshape(x,[-1,28,28,1])
    
    #设置第一个卷积层和池化层
    w_conv1=tf.Variable(tf.truncated_normal([3,3,1,32],stddev=0.1))
    b_conv1=tf.Variable(tf.constant(0.1,shape=[32]))
    h_conv1=tf.nn.relu(conv2d(x_img,w_conv1)+b_conv1)
    h_pool1=max_pool_2x2(h_conv1)
    
    #设置第二个卷积层和池化层
    w_conv2=tf.Variable(tf.truncated_normal([3,3,32,50],stddev=0.1))
    b_conv2=tf.Variable(tf.constant(0.1,shape=[50]))
    h_conv2=tf.nn.relu(conv2d(h_pool1,w_conv2)+b_conv2)
    h_pool2=max_pool_2x2(h_conv2)
    
    #设置第一个全连接层
    w_fc1=tf.Variable(tf.truncated_normal([7*7*50,1024],stddev=0.1))
    b_fc1=tf.Variable(tf.constant(0.1,shape=[1024]))
    h_pool2_flat=tf.reshape(h_pool2,[-1,7*7*50])
    h_fc1=tf.nn.relu(tf.matmul(h_pool2_flat,w_fc1)+b_fc1)
    
    #dropout（随机权重失活）
    keep_prob=tf.placeholder(tf.float32)
    h_fc1_drop=tf.nn.dropout(h_fc1,keep_prob)
    
    #设置第二个全连接层
    w_fc2=tf.Variable(tf.truncated_normal([1024,10],stddev=0.1))
    b_fc2=tf.Variable(tf.constant(0.1,shape=[10]))
    y_out=tf.nn.softmax(tf.matmul(h_fc1_drop,w_fc2)+b_fc2)
    
    #建立loss function，为交叉熵
    loss=tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y_out),reduction_indices=[1]))
    #配置Adam优化器，学习速率为1e-4
    train_step=tf.train.AdamOptimizer(1e-4).minimize(loss)
    
    #建立正确率计算表达式
    correct_prediction=tf.equal(tf.argmax(y_out,1),tf.argmax(y_,1))
    accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
    
    # 定义saver
    saver = tf.train.Saver()
    
    #开始喂数据，训练
    tf.global_variables_initializer().run()
    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})
            print("step %d,train_accuracy= %g"%(i,train_accuracy))
        train_step.run(feed_dict={x:batch[0],y_:batch[1],keep_prob:0.5})#这里才开始真正进行训练计算
    # 模型储存位置
    saver.save(sess, ".\\MNIST_data\\model.ckpt")
    
    #训练之后，使用测试集进行测试，输出最终结果
    print("test_accuracy= %g"% accuracy.eval(feed_dict={x:mnist.test.images,y_:mnist.test.labels,keep_prob:1}))

以上程序用于导入MNIST数据集-创建模型-保存模型到指定路径。   
保存的路径会出现以下四个文件

![70 2][]

各个文件的作用：

*  checkpoint： 文本文件，记录了模型文件的路径信息列表
 *  model.ckpt.data-00000-of-00001： 网络权重信息
 *  model.ckpt.index： .data和.index这两个文件是二进制文件，保存了模型中的变量参数（权重）信息
 *  model.ckpt.meta： 二进制文件，保存了模型的计算图结构信息（模型的网络结构）protobuf

# 识别数字  #

整体来看，和刚才的代码相似度很高，也是将需要测试的图片进行卷积，池化，softmax回归等等。

from PIL import Image, ImageFilter
    import tensorflow as tf
    import matplotlib.pyplot as plt
    
    def imageprepare():
        im = Image.open("MNIST_data\\test3.png") #读取的图片所在路径，注意是28*28像素
        plt.imshow(im)  #显示需要识别的图片
        plt.show()
        im = im.convert('L')
        tv = list(im.getdata())
        tva = [(255-x)*1.0/255.0 for x in tv]
        return tva
    
    x = tf.placeholder(tf.float32, [None, 784])
    y_ = tf.placeholder(tf.float32, [None, 10])
    
    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)
    
    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')
    
    W_conv1 = weight_variable([3, 3, 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)
    
    W_conv2 = weight_variable([3, 3, 32, 50])
    b_conv2 = bias_variable([50])
    
    h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
    h_pool2 = max_pool_2x2(h_conv2)
    
    W_fc1 = weight_variable([7 * 7 * 50, 1024])
    b_fc1 = bias_variable([1024])
    
    h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*50])
    h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
    
    keep_prob = tf.placeholder("float")
    h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
    
    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)
    
    cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv))
    train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
    correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
    
    saver = tf.train.Saver()
    
    with tf.Session() as sess:
        sess.run(tf.global_variables_initializer())
        saver.restore(sess, "MNIST_data\\model.ckpt") #使用模型，参数和之前的代码保持一致
    
        result = imageprepare()
    
        prediction=tf.argmax(y_conv,1)
        predint=prediction.eval(feed_dict={x: [result],keep_prob: 1.0}, session=sess)
    
        print('识别结果:')
        print(predint[0])

![70 3][]

![70 4][]

从测试结果来看，失败率还是挺高的。

# 问题总结  #

## 制作图片 ##

**图片大小必须是 28 x 28**，可以选择ps或者美图秀秀或者其他任何的画图工具。

以下是博主通过美图秀秀制作的图片

![70 5][]

##  错误： ##

**tensorflow.python.framework.errors\_impl.InvalidArgumentError: Assign requires shapes of both tensors to match**

出现这个错误的原因是由于在训练模型做卷积和池化的时候，尺寸选择不一致造成的。

举例来说：

模型保存用的是

W_conv2 = weight_variable([3, 3, 32, 50])

但在识别的时候用的是

W\_conv2 = weight\_variable(\[5, 5, 32, 64\])

**务必保持相关参数一致**

[http_www.tensorfly.cn_tfdoc_tutorials_mnist_pros.html]: http://www.tensorfly.cn/tfdoc/tutorials/mnist_pros.html
[70]: /images/20210923/c24dabdd255847a897904c3a556a65b4.png
[70 1]: /images/20210923/e38813d07cf7468590bc4636999a6a2c.png
[70 2]: /images/20210923/5f76a432f7f24cde95920a7c706fd4bd.png
[70 3]: /images/20210923/a6c26bd6ac294a7ea06669493514bb07.png
[70 4]: /images/20210923/cbf4bb927b6349e885c02ccc1aac268b.png
[70 5]: /images/20210923/0b2a1200109b4a8c8bb2ac444981f6ad.png