MNIST 数据集

mnist 数据集：包含 7 万张黑底白字手写数字图片，其中 55000 张为训练集，5000 张为验证集，10000 张为测试集。每张图片大小为 28*28 像素，图片中纯黑色像素值为 0，纯白色像素值为 1。数据集的标签是长度为 10 的一维数组，数组中每个元素索引号表示对应数字出现的概率。

在将 mnist 数据集作为输入喂入神经网络时，需先将数据集中每张图片变为长度784 一维数组，将该数组作为神经网络输入特征喂入神经网络。

例如：

一张数字手写体图片变成长度为 784 的一维数组[0.0.0.0.0.231 0.235 0.459 ……0.219 0.0.0.0.]输入神经网络。该图片对应的标签为[0.0.0.0.0.0.1.0. 0.0]，标签中索引号为 6 的元素为 1，表示是数字 6 出现的概率为 100%，则该图片对应的识别结果是 6。

使用 input_data 模块中的 read_data_sets()函数加载 mnist 数据集：

from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets(’./data/’,one_hot=True)

在 read_data_sets()函数中有两个参数，第一个参数表示数据集存放路径，第二个参数表示数据集的存取形式。当第二个参数为 Ture 时，表示以独热码形式存取数据集。read_data_sets()函数运行时，会检查指定路径内是否已经有数据集，若指定路径中没有数据集，则自动下载，并将 mnist数据集分为训练集 train、验证集 validation 和测试集 test 存放。在终端显示如下内容：

Extracting ./data/train-images-idx3-ubyte.gz

Extracting ./data/train-labels-idx1-ubyte.gz

Extracting ./data/tl0k-images-idx3-ubyte.gz

Extracting ./data/ tl0k-labels-idx1-ubyte.gz

返回 mnist 数据集中训练集 train、验证集 validation 和测试集 test 样本数 在 Tensorflow 中用以下函数返回子集样本数：

①返回训练集 train 样本数

print “train data size:”,mnist.train.mun_examples

输出结果：train data size:55000

②返回验证集 validation 样本数

print “validation data size:”,mnist.validation.mun_examples

输出结果：validation data size:5000
    ③返回测试集 test 样本数
         print “test data size:”,mnist.test.mun_examples
    输出结果：test data size:10000
使用 train.labels 函数返回 mnist 数据集标签
例如：
            在 mnist 数据集中，若想要查看训练集中第 0 张图片的标签，则使用如下函数
                    mnist.train.labels[0]
           输出结果：array([0.,0.,0.,0.,0.,0.,1.,0.,0.,0])
使用 train.images 函数返回 mnist 数据集图片像素值
例如：
      在 mnist 数据集中，若想要查看训练集中第 0 张图片像素值，则使用如下函数
                   mnist.train.images[0]
           输出结果：array([0. ,0. ,0. ,
                                      0. ,0. ,0. ,
                                     0. ,0. ,0. ,
                                     … … …])
使用 mnist.train.next_batch()函数将数据输入神经网络
例如：
           BATCH_SIZE = 200
           xs,ys = mnist.train.next_batch(BATCH_SIZE)
           print “xs shape:”,xs.shape
           print “ys shape:”,ys.shape
输出结果：xs.shape(200,784)
输出结果：ys.shape(200,10)
          其中，mnist.train.next_batch()函数包含一个参数 BATCH_SIZE，表示随机从训练集中抽取 BATCH_SIZE 个样本输入神经网络，并将样本的像素值和标签分别赋给 xs 和 ys。在本例中，BATCH_SIZE 设置为 200，

表示一次将 200 个样本的像素值和标签分别赋值给 xs 和 ys，故 xs 的形状为(200,784)，对应的 ys 的形状为(200,10)。

实现“Mnist 数据集手写数字识别”的常用函数：

①tf.get_collection(“”)函数表示从 collection 集合中取出全部变量生成一个列表。

②tf.add( )函数表示将参数列表中对应元素相加。

例如：

x=tf.constant([[1,2],[1,2]])
            y=tf.constant([[1,1],[1,2]])
            z=tf.add(x,y)
            print z
输出结果：[[2,3],[2,4]]
              ③tf.cast(x,dtype)函数表示将参数 x 转换为指定数据类型。
例如：
              A = tf.convert_to_tensor(np.array([[1,1,2,4], [3,4,8,5]]))
              print A.dtype
             b = tf.cast(A, tf.float32)
             print b.dtype
结果输出：
          <dtype: 'int64'>
          <dtype: 'float32'>
从输出结果看出，将矩阵 A 由整数型变为 32 位浮点型。
            ④tf.equal( )函数表示对比两个矩阵或者向量的元素。若对应元素相等，则返回 True；若对应元素不相等，则返回 False。 
回 True；若对应元素不相等，则返回 False。
例如：
A = [[1,3,4,5,6]]
B = [[1,3,4,3,2]]
with tf.Session( ) as sess:
print(sess.run(tf.equal(A, B)))
输出结果：[[ True True True False False]]
在矩阵 A 和 B 中，第 1、2、3 个元素相等，第 4、5 个元素不等，故输出结果中，
第 1、2、3 个元素取值为 True，第 4、5 个元素取值为 False。
⑤tf.reduce_mean(x,axis)函数表示求取矩阵或张量指定维度的平均值。若不
指定第二个参数，则在所有元素中取平均值；若指定第二个参数为 0，则在第一
维元素上取平均值，即每一列求平均值；若指定第二个参数为 1，则在第二维元
素上取平均值，即每一行求平均值。
例如：
           x = [[1., 1.]
                  [2., 2.]]
          print(tf.reduce_mean(x))
输出结果：1.5
         print(tf.reduce_mean(x, 0))
输出结果：[1.5, 1.5]
          print(tf.reduce_mean(x, 1))
输出结果：[1., 1.]

⑥tf.argmax(x,axis)函数表示返回指定维度 axis 下，参数 x 中最大值索引号。

例如：
    在 tf.argmax([1,0,0],1)函数中，axis 为 1，参数 x 为[1,0,0]，表示在参数 x的第一个维度取最大值对应的索引号，故返回 0。 
⑦os.path.join()函数表示把参数字符串按照路径命名规则拼接。
例如：
          import os
          os.path.join('/hello/','good/boy/','doiido')
输出结果：'/hello/good/boy/doiido'

⑧字符串.split( )函数表示按照指定“拆分符”对字符串拆分，返回拆分列表。

例如：

'./model/mnist_model-1001'.split('/')[-1].split('-')[-1]

在该例子中，共进行两次拆分。第一个拆分符为‘/’，返回拆分列表，并提取列表中索引为-1 的元素即倒数第一个元素；第二个拆分符为‘-’，返回拆分列表，并提取列表中索引为-1 的元素即倒数第一个元素，故函数返回值为 1001。

⑨tf.Graph( ).as_default( )函数表示将当前图设置成为默认图，并返回一个上下文管理器。该函数一般与 with 关键字搭配使用，应用于将已经定义好的神经网络在计算图中复现。

例如：

with tf.Graph().as_default() as g，表示将在 Graph()内定义的节点加入到计算图 g 中。

神经网络模型的保存

在反向传播过程中，一般会间隔一定轮数保存一次神经网络模型，并产生三个文件（保存当前图结构的.meta 文件、保存当前参数名的.index 文件、保存当前参数的.data 文件），

在 Tensorflow 中如下表示：

saver = tf.train.Saver()

with tf.Session() as sess:

for i in range(STEPS):
             if i % 轮数 == 0:
                saver.save(sess, os.path.join(MODEL_SAVE_PATH,
                    MODEL_NAME), global_step=global_step)
其中，tf.train.Saver()用来实例化 saver 对象。上述代码表示，神经网络每循环规定的轮数，将神经网络模型中所有的参数等信息保存到指定的路径中，并在存放网络模型的文件夹名称中注明保存模型时的训练轮数。

神经网络模型的加载
      在测试网络效果时，需要将训练好的神经网络模型加载，在 Tensorflow 中这样表示： 
with tf.Session() as sess:
    ckpt = tf.train.get_checkpoint_state(存储路径)
    if ckpt and ckpt.model_checkpoint_path:
        saver.restore(sess, ckpt.model_checkpoint_path)
在 with 结构中进行加载保存的神经网络模型，若 ckpt 和保存的模型在指定路径中存在，则将保存的神经网络模型加载到当前会话中。

加载模型中参数的滑动平均值
                在保存模型时，若模型中采用滑动平均，则参数的滑动平均值会保存在相应文件中。通过实例化 saver 对象，实现参数滑动平均值的加载，在 Tensorflow 中如下表示：

ema = tf.train.ExponentialMovingAverage(滑动平均基数)
ema_restore = ema.variables_to_restore()
saver = tf.train.Saver(ema_restore)
神经网络模型准确率评估方法在网络评估时，一般通过计算在一组数据上的识别准确率，评估神经网络的效果。在 Tensorflow 中这样表示：

correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
         accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
在上述中，y 表示在一组数据（即 batch_size 个数据）上神经网络模型的预测结果，y 的形状为[batch_size,10]，每一行表示一张图片的识别结果。通过tf.argmax()函数取出每张图片对应向量中最大值元素对应的索引值，组成长度为输入数据 batch_size 个的一维数组。通过 tf.equal()函数判断预测结果张量和实际标签张量的每个维度是否相等，若相等则返回 True，不 相等则返回 False。通过 tf.cast() 函数将得到的布 尔 型 数 值 转 化 为 实 数 型 ， 再通过tf.reduce_mean()函数求平均值，最终得到神经网络模型在本组数据上的准确率。

本文参考：

慕课APP中人工智能实践-Tensorflow笔记；北京大学曹健老师的课程