在源码的基础上进行了部分改正。
一个标准的机器学习程序，应该包括数据输入、定义模型本身、模型训练和模型性能测试四大部分，可以分成四个.py文件。
（一）数据输入部分（input_dataset.py）
#coding:utf-8
import os
import tensorflow as tf
# 原图像的尺度为32*32,但根据常识，信息部分通常位于图像的中央，这里定义了以中心裁剪后图像的尺寸
fixed_height = 24
fixed_width = 24
# cifar10数据集的格式，训练样例集和测试样例集分别为50k和10k
train_samples_per_epoch = 50000
test_samples_per_epoch = 10000
data_dir='./cifar-10-batches-bin' # 定义数据集所在文件夹路径
batch_size=128 #定义每次参数更新时，所使用的batch的大小
def read_cifar10(filename_queue):
# 定义一个空的类对象，类似于c语言里面的结构体定义
class Image(object):
pass
image = Image()
image.height=32
image.width=32
image.depth=3
label_bytes = 1
image_bytes = image.height*image.width*image.depth
Bytes_to_read = label_bytes+image_bytes
# 定义一个Reader，它每次能从文件中读取固定字节数
reader = tf.FixedLengthRecordReader(record_bytes=Bytes_to_read)
# 返回从filename_queue中读取的(key, value)对，key和value都是字符串类型的tensor，并且当队列中的某一个文件读完成时，该文件名会dequeue
image.key, value_str = reader.read(filename_queue)
# 解码操作可以看作读二进制文件，把字符串中的字节转换为数值向量,每一个数值占用一个字节,在[0, 255]区间内，因此out_type要取uint8类型
value = tf.decode_raw(bytes=value_str, out_type=tf.uint8)
# 从一维tensor对象中截取一个slice,类似于从一维向量中筛选子向量，因为value中包含了label和feature，故要对向量类型tensor进行'parse'操作
image.label = tf.slice(input_=value, begin=[0], size=[label_bytes])# begin和size分别表示待截取片段的起点和长度
data_mat = tf.slice(input_=value, begin=[label_bytes], size=[image_bytes])
data_mat = tf.reshape(data_mat, (image.depth, image.height, image.width)) #这里的维度顺序，是依据cifar二进制文件的格式而定的
transposed_value = tf.transpose(data_mat, perm=[1, 2, 0]) #对data_mat的维度进行重新排列，返回值的第i个维度对应着data_mat的第perm[i]维
image.mat = transposed_value
return image
def get_batch_samples(img_obj, min_samples_in_queue, batch_size, shuffle_flag):
# tf.train.shuffle_batch()函数用于随机地shuffling 队列中的tensors来创建batches(也即每次可以读取多个data文件中的样例构成一个batch)。这个函数向当前Graph中添加了下列对象：
# *创建了一个shuffling queue，用于把‘tensors’中的tensors压入该队列；
# *一个dequeue_many操作，用于根据队列中的数据创建一个batch；
# *创建了一个QueueRunner对象，用于启动一个进程压数据到队列
# capacity参数用于控制shuffling queue的最大长度；min_after_dequeue参数表示进行一次dequeue操作后队列中元素的最小数量，可以用于确保batch中
# 元素的随机性；num_threads参数用于指定多少个threads负责压tensors到队列；enqueue_many参数用于表征是否tensors中的每一个tensor都代表一个样例
# tf.train.batch()与之类似，只不过顺序地出队列（也即每次只能从一个data文件中读取batch），少了随机性。
if shuffle_flag == False:
image_batch, label_batch = tf.train.batch(tensors=img_obj,
batch_size=batch_size,
num_threads=4,
capacity=min_samples_in_queue+3*batch_size)
else:
image_batch, label_batch = tf.train.shuffle_batch(tensors=img_obj,
batch_size=batch_size,
num_threads=4,
min_after_dequeue=min_samples_in_queue,
capacity=min_samples_in_queue+3*batch_size)
tf.summary.image('input_image', image_batch) #输出预处理后图像的summary缓存对象，用于在session中写入到事件文件中//tf.summary.image('input_image', image_batch, max_images=6)
return image_batch, tf.reshape(label_batch, shape=[batch_size])
def preprocess_input_data():
#这部分程序用于对训练数据集进行‘数据增强’操作，通过增加训练集的大小来防止过拟合'''
filenames = [os.path.join(data_dir, 'data_batch_%d.bin' % i) for i in range(1, 6)]
#filenames =[os.path.join(data_dir, 'test_batch.bin')]
for f in filenames: #检验训练数据集文件是否存在
if not tf.gfile.Exists(f):
raise ValueError('fail to find file:'+f)
filename_queue = tf.train.string_input_producer(string_tensor=filenames) # 把文件名输出到队列中，作为整个data pipe的第一阶段
image = read_cifar10(filename_queue) #从文件名队列中读取一个tensor类型的图像
new_img = tf.cast(image.mat, tf.float32)
tf.summary.image('raw_input_image', tf.reshape(new_img, [1, 32, 32, 3]))#输出预处理前图像的summary缓存对象
new_img = tf.random_crop(new_img, size=(fixed_height, fixed_width, 3)) #从原图像中切割出子图像
new_img = tf.image.random_brightness(new_img, max_delta=63) #随机调节图像的亮度
new_img = tf.image.random_flip_left_right(new_img) #随机地左右翻转图像
new_img = tf.image.random_contrast(new_img, lower=0.2, upper=1.8) #随机地调整图像对比度
final_img =tf.image.per_image_standardization(new_img) #对图像进行whiten操作，目的是降低输入图像的冗余性，尽量去除输入特征间的相关性
min_samples_ratio_in_queue = 0.4 #用于确保读取到的batch中样例的随机性，使其覆盖到更多的类别、更多的数据文件！！！
min_samples_in_queue = int(min_samples_ratio_in_queue*train_samples_per_epoch)
return get_batch_samples([final_img, image.label], min_samples_in_queue, batch_size, shuffle_flag=True)（二）模型本身定义部分（ forward_prop.py ）
#输入层->卷积层->池化层->规范化层->卷积层->规范化层->池化层->全连接层->全连接层->softmax输出层
#coding:utf-8
import tensorflow as tf
import input_dataset
#外部引用input_dataset文件中定义的hyperparameters
height = input_dataset.fixed_height
width = input_dataset.fixed_width
train_samples_per_epoch = input_dataset.train_samples_per_epoch
test_samples_per_epoch = input_dataset.test_samples_per_epoch
# 用于描述训练过程的常数
moving_average_decay = 0.9999 # The decay to use for the moving average.
num_epochs_per_decay = 350.0 # 衰减呈阶梯函数，控制衰减周期（阶梯宽度）
learning_rate_decay_factor = 0.1 # 学习率衰减因子
initial_learning_rate = 0.1 # 初始学习率
def variable_on_cpu(name, shape, dtype, initializer):
#with tf.device("/cpu:0"): #一个 context manager,用于为新的op指定要使用的硬件
return tf.get_variable(name=name,
shape=shape,
initializer=initializer,
dtype=dtype)
def variable_on_cpu_with_collection(name, shape, dtype, stddev, wd):
#with tf.device("/cpu:0"):
weight = tf.get_variable(name=name,
shape=shape,
initializer=tf.truncated_normal_initializer(stddev=stddev, dtype=dtype))
if wd is not None:
weight_decay = tf.multiply(tf.nn.l2_loss(weight), wd, name='weight_loss')
tf.add_to_collection(name='losses', value=weight_decay)
return weight
def losses_summary(total_loss):
#通过使用指数衰减，来维护变量的滑动均值。当训练模型时，维护训练参数的滑动均值是有好处的。在测试过程中使用滑动参数比最终训练的参数值本身，
#会提高模型的实际性能（准确率）。apply()方法会添加trained variables的shadow copies，并添加操作来维护变量的滑动均值到shadow copies。average
#方法可以访问shadow variables，在创建evaluation model时非常有用。
#滑动均值是通过指数衰减计算得到的。shadow variable的初始化值和trained variables相同，其更新公式为
# shadow_variable = decay * shadow_variable + (1 - decay) * variable
average_op = tf.train.ExponentialMovingAverage(decay=0.9) #创建一个新的指数滑动均值对象
losses = tf.get_collection(key='losses')# 从字典集合中返回关键字'losses'对应的所有变量，包括交叉熵损失和正则项损失
# 创建‘shadow variables’,并添加维护滑动均值的操作
maintain_averages_op = average_op.apply(losses+[total_loss])#维护变量的滑动均值，返回一个能够更新shadow variables的操作
for i in losses+[total_loss]:
tf.summary.scalar(i.op.name+'_raw', i) #保存变量到Summary缓存对象，以便写入到文件中
tf.summary.scalar(i.op.name, average_op.average(i)) #average() returns the shadow variable for a given variable.
return maintain_averages_op #返回损失变量的更新操作
def one_step_train(total_loss, step):
batch_count = int(train_samples_per_epoch/input_dataset.batch_size) #求训练块的个数
decay_step = batch_count*num_epochs_per_decay #每经过decay_step步训练，衰减lr
lr = tf.train.exponential_decay(learning_rate=initial_learning_rate,
global_step=step,
decay_steps=decay_step,
decay_rate=learning_rate_decay_factor,
staircase=True)
tf.summary.scalar('learning_rate', lr)
losses_movingaverage_op = losses_summary(total_loss)
#tf.control_dependencies是一个context manager,控制节点执行顺序，先执行control_inputs中的操作，再执行context中的操作
with tf.control_dependencies(control_inputs=[losses_movingaverage_op]):
trainer = tf.train.GradientDescentOptimizer(learning_rate=lr)
gradient_pairs = trainer.compute_gradients(loss=total_loss) #返回计算出的（gradient, variable） pairs
gradient_update = trainer.apply_gradients(grads_and_vars=gradient_pairs, global_step=step) #返回一步梯度更新操作
#num_updates参数用于动态调整衰减率，真实的decay_rate =min(decay, (1 + num_updates) / (10 + num_updates)
variables_average_op = tf.train.ExponentialMovingAverage(decay=moving_average_decay, num_updates=step)
# tf.trainable_variables() 方法返回所有`trainable=True`的变量，列表结构
maintain_variable_average_op = variables_average_op.apply(var_list=tf.trainable_variables())#返回模型参数变量的滑动更新操作
with tf.control_dependencies(control_inputs=[gradient_update, maintain_variable_average_op]):
gradient_update_optimizor = tf.no_op() #Does nothing. Only useful as a placeholder for control edges
return gradient_update_optimizor
def network(images):
with tf.variable_scope(name_or_scope='conv1') as scope:
weight = variable_on_cpu_with_collection(name='weight',
shape=(5, 5, 3, 64),
dtype=tf.float32,
stddev=0.05,
wd = 0.0)
bias = variable_on_cpu(name='bias', shape=(64), dtype=tf.float32, initializer=tf.constant_initializer(value=0.0))
conv1_in = tf.nn.conv2d(input=images, filter=weight, strides=(1, 1, 1, 1), padding='SAME')
conv1_in = tf.nn.bias_add(value=conv1_in, bias=bias)
conv1_out = tf.nn.relu(conv1_in)
pool1 = tf.nn.max_pool(value=conv1_out, ksize=(1, 3, 3, 1), strides=(1, 2, 2, 1), padding='SAME')
norm1 = tf.nn.lrn(input=pool1, depth_radius=4, bias=1.0, alpha=0.001/9.0, beta=0.75)
with tf.variable_scope(name_or_scope='conv2') as scope:
weight = variable_on_cpu_with_collection(name='weight',
shape=(5, 5, 64, 64),
dtype=tf.float32,
stddev=0.05,
wd=0.0)
bias = variable_on_cpu(name='bias', shape=(64), dtype=tf.float32, initializer=tf.constant_initializer(value=0.1))
conv2_in = tf.nn.conv2d(norm1, weight, strides=(1, 1, 1, 1), padding='SAME')
conv2_in = tf.nn.bias_add(conv2_in, bias)
conv2_out = tf.nn.relu(conv2_in)
norm2 = tf.nn.lrn(input=conv2_out, depth_radius=4, bias=1.0, alpha=0.001/9.0, beta=0.75)
pool2 = tf.nn.max_pool(value=norm2, ksize=(1, 3, 3, 1), strides=(1, 2, 2, 1), padding='SAME')
# input tensor of shape `[batch, in_height, in_width, in_channels]
reshaped_pool2 = tf.reshape(tensor=pool2, shape=(-1, 6*6*64))
with tf.variable_scope(name_or_scope='fully_connected_layer1') as scope:
weight = variable_on_cpu_with_collection(name='weight',
shape=(6*6*64, 384),
dtype=tf.float32,
stddev=0.04,
wd = 0.004)
bias = variable_on_cpu(name='bias', shape=(384), dtype=tf.float32, initializer=tf.constant_initializer(value=0.1))
fc1_in = tf.matmul(reshaped_pool2, weight)+bias
fc1_out = tf.nn.relu(fc1_in)
with tf.variable_scope(name_or_scope='fully_connected_layer2') as scope:
weight = variable_on_cpu_with_collection(name='weight',
shape=(384, 192),
dtype=tf.float32,
stddev=0.04,
wd=0.004)
bias = variable_on_cpu(name='bias', shape=(192), dtype=tf.float32, initializer=tf.constant_initializer(value=0.1))
fc2_in = tf.matmul(fc1_out, weight)+bias
fc2_out = tf.nn.relu(fc2_in)
with tf.variable_scope(name_or_scope='softmax_layer') as scope:
weight = variable_on_cpu_with_collection(name='weight',
shape=(192, 10),
dtype=tf.float32,
stddev=1/192,
wd=0.0)
bias = variable_on_cpu(name='bias', shape=(10), dtype=tf.float32, initializer=tf.constant_initializer(value=0.0))
classifier_in = tf.matmul(fc2_out, weight)+bias
classifier_out = tf.nn.softmax(classifier_in)
return classifier_out
def loss(logits, labels):
labels = tf.cast(x=labels, dtype=tf.int32) #强制类型转换，使符合sparse_softmax_cross_entropy_with_logits输入参数格式要求
cross_entropy_loss = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=logits, labels=labels, name='likelihood_loss')
cross_entropy_loss = tf.reduce_mean(cross_entropy_loss, name='cross_entropy_loss') #对batch_size长度的向量取平均
tf.add_to_collection(name='losses', value=cross_entropy_loss) #把张量cross_entropy_loss添加到字典集合中key='losses'的子集中
return tf.add_n(inputs=tf.get_collection(key='losses'), name='total_loss') #返回字典集合中key='losses'的子集中元素之和 （三）模型训练部分（ train.py)
#coding:utf-8
import input_dataset
import forward_prop
import tensorflow as tf
import os
import numpy as np
max_iter_num = 10000 #设置参数迭代次数
checkpoint_path = './checkpoint' #设置模型参数文件所在路径
event_log_path = './event-log' #设置事件文件所在路径，用于周期性存储Summary缓存对象
def train():
with tf.Graph().as_default(): #指定当前图为默认graph
global_step = tf.Variable(initial_value=0, trainable=False)#设置trainable=False,是因为防止训练过程中对global_step变量也进行滑动更新操作
img_batch, label_batch = input_dataset.preprocess_input_data()#输入图像的预处理，包括亮度、对比度、图像翻转等操作
# img_batch, label_batch = input_dataset.input_data(eval_flag=False)
logits = forward_prop.network(img_batch) #图像信号的前向传播过程
total_loss = forward_prop.loss(logits, label_batch) #计算损失
one_step_gradient_update = forward_prop.one_step_train(total_loss, global_step) #返回一步梯度更新操作
#创建一个saver对象，用于保存参数到文件中
saver = tf.train.Saver(var_list=tf.all_variables()) #tf.all_variables return a list of `Variable` objects
all_summary_obj = tf.summary.merge_all()#返回所有summary对象先merge再serialize后的的字符串类型tensor
initiate_variables = tf.initialize_all_variables()
#log_device_placement参数可以记录每一个操作使用的设备，这里的操作比较多，就不需要记录了，故设置为False
sess = tf.Session(config=tf.ConfigProto(log_device_placement=False))
sess.run(initiate_variables) #变量初始化
tf.train.start_queue_runners(sess=sess) #启动所有的queuerunners
Event_writer = tf.summary.FileWriter(logdir=event_log_path, graph=sess.graph)
for step in range(max_iter_num):
_, loss_value = sess.run(fetches=[one_step_gradient_update, total_loss])
assert not np.isnan(loss_value) #用于验证当前迭代计算出的loss_value是否合理
if step%10 == 0:
print('step %d, the loss_value is %.2f' % (step, loss_value))
if step%100 == 0:
# 添加`Summary`协议缓存到事件文件中，故不能写total_loss变量到事件文件中，因为这里的total_loss为普通的tensor类型
all_summaries = sess.run(all_summary_obj)
Event_writer.add_summary(summary=all_summaries, global_step=step)
if step%1000 == 0 or (step+1)==max_iter_num:
variables_save_path = os.path.join(checkpoint_path, './model-parameters.bin') #路径合并，返回合并后的字符串
saver.save(sess,variables_save_path , global_step=step)#把所有变量（包括moving average前后的模型参数）保存在variables_save_path路径下
if __name__ == '__main__':
train() （四）模型性能评估部分（ evaluate.py ）
#coding:utf-8
import tensorflow as tf
import input_dataset
import forward_prop
import train
import math
import numpy as np
def eval_once(summary_op, summary_writer, saver, predict_true_or_false):
with tf.Session() as sess:
#从checkpoint文件中返回checkpointstate模板
checkpoint_proto = tf.train.get_checkpoint_state(checkpoint_dir=train.checkpoint_path)
if checkpoint_proto and checkpoint_proto.model_checkpoint_path:
saver.restore(sess, checkpoint_proto.model_checkpoint_path)#恢复模型变量到当前session中
else:
print('checkpoint file not found!')
return
# 启动很多线程，并把coordinator传递给每一个线程
coord = tf.train.Coordinator() #返回一个coordinator类对象，这个类实现了一个简单的机制，可以用来coordinate很多线程的结束
try:
threads = [] #使用coord统一管理所有线程
for queue_runner in tf.get_collection(key=tf.GraphKeys.QUEUE_RUNNERS):
threads.extend(queue_runner.create_threads(sess, coord=coord, daemon=True, start=True))
#计算测试数据块的个数,并向上取整
test_batch_num = math.ceil(input_dataset.test_samples_per_epoch/input_dataset.batch_size)
iter_num = 0
true_test_num = 0
#这里使用取整后的测试数据块个数，来计算测试样例的总数目，理论上这样算测试样例总数会偏大啊，暂时还未理解？？？
total_test_num = test_batch_num*input_dataset.batch_size
while iter_num<test_batch_num and not coord.should_stop():
result_judge = sess.run([predict_true_or_false])
true_test_num += np.sum(result_judge)
iter_num += 1
precision = true_test_num/total_test_num
print("The test precision is %.3f" % precision)
except:
coord.request_stop()
coord.request_stop()
coord.join(threads)
def evaluate():
with tf.Graph().as_default() as g:
img_batch, labels = input_dataset.input_data(eval_flag=True)#读入测试数据集
logits = forward_prop.network(img_batch)#使用moving average操作前的模型参数，计算模型输出值
#判断targets是否在前k个predictions里面，当k=1时等价于常规的计算正确率的方法，sess.run(predict_true_or_false)会执行符号计算
predict_true_or_false = tf.nn.in_top_k(predictions=logits, targets=labels, k=1)
#恢复moving average操作后的模型参数
moving_average_op = tf.train.ExponentialMovingAverage(decay=forward_prop.moving_average_decay)
#返回要恢复的names到Variables的映射，也即一个map映射。如果一个变量有moving average,就使用moving average变量名作为the restore
# name, 否则就使用变量名
variables_to_restore = moving_average_op.variables_to_restore()
saver = tf.train.Saver(var_list=variables_to_restore)
summary_op = tf.merge_all_summaries() #创建序列化后的summary对象
#创建一个event file,用于之后写summary对象到logdir目录下的文件中
summary_writer = tf.train.SummaryWriter(logdir='./event-log-test', graph=g)
eval_once(summary_op, summary_writer, saver, predict_true_or_false)