首页 > 代码库 > TF Boys (TensorFlow Boys ) 养成记（六）
TF Boys (TensorFlow Boys ) 养成记（六）
圣诞节玩的有点嗨，差点忘记更新。祝大家昨天圣诞节快乐，再过几天元旦节快乐。
来继续学习，在/home/your_name/TensorFlow/cifar10/ 下新建文件夹cifar10_train，用来保存训练时的日志logs，继续在/home/your_name/TensorFlow/cifar10/ cifar10.py中输入如下代码：
def train(): # global_step global_step = tf.Variable(0, name = ‘global_step‘, trainable=False) # cifar10 数据文件夹 data_dir = ‘/home/your_name/TensorFlow/cifar10/data/cifar-10-batches-bin/‘ # 训练时的日志logs文件，没有这个目录要先建一个 train_dir = ‘/home/your_name/TensorFlow/cifar10/cifar10_train/‘ # 加载 images，labels images, labels = my_cifar10_input.inputs(data_dir, BATCH_SIZE) # 求 loss loss = losses(inference(images), labels) # 设置优化算法，这里用 SGD 随机梯度下降法，恒定学习率 optimizer = tf.train.GradientDescentOptimizer(LEARNING_RATE) # global_step 用来设置初始化 train_op = optimizer.minimize(loss, global_step = global_step) # 保存操作 saver = tf.train.Saver(tf.all_variables()) # 汇总操作 summary_op = tf.merge_all_summaries() # 初始化方式是初始化所有变量 init = tf.initialize_all_variables() os.environ[‘CUDA_VISIBLE_DEVICES‘] = str(0) config = tf.ConfigProto() # 占用 GPU 的 20% 资源 config.gpu_options.per_process_gpu_memory_fraction = 0.2 # 设置会话模式，用 InteractiveSession 可交互的会话，逼格高 sess = tf.InteractiveSession(config=config) # 运行初始化 sess.run(init) # 设置多线程协调器 coord = tf.train.Coordinator() # 开始 Queue Runners (队列运行器) threads = tf.train.start_queue_runners(sess = sess, coord = coord) # 把汇总写进 train_dir，注意此处还没有运行 summary_writer = tf.train.SummaryWriter(train_dir, sess.graph) # 开始训练过程 try: for step in xrange(MAX_STEP): if coord.should_stop(): break start_time = time.time() # 在会话中运行 loss _, loss_value =http://www.mamicode.com/ sess.run([train_op, loss]) duration = time.time() - start_time # 确认收敛 assert not np.isnan(loss_value), ‘Model diverged with loss = NaN‘ if step % 30 == 0: # 本小节代码设置一些花哨的打印格式，可以不用管 num_examples_per_step = BATCH_SIZE examples_per_sec = num_examples_per_step / duration sec_per_batch = float(duration) format_str = (‘%s: step %d, loss = %.2f (%.1f examples/sec; %.3f ‘ ‘sec/batch)‘) print (format_str % (datetime.now(), step, loss_value, examples_per_sec, sec_per_batch)) if step % 100 == 0: # 运行汇总操作， 写入汇总 summary_str = sess.run(summary_op) summary_writer.add_summary(summary_str, step) if step % 1000 == 0 or (step + 1) == MAX_STEP: # 保存当前的模型和权重到 train_dir，global_step 为当前的迭代次数 checkpoint_path = os.path.join(train_dir, ‘model.ckpt‘) saver.save(sess, checkpoint_path, global_step=step) except Exception, e: coord.request_stop(e) finally: coord.request_stop() coord.join(threads) sess.close() def evaluate(): data_dir = ‘/home/your_name/TensorFlow/cifar10/data/cifar-10-batches-bin/‘ train_dir = ‘/home/your_name/TensorFlow/cifar10/cifar10_train/‘ images, labels = my_cifar10_input.inputs(data_dir, BATCH_SIZE, train = False) logits = inference(images) saver = tf.train.Saver(tf.all_variables()) os.environ[‘CUDA_VISIBLE_DEVICES‘] = str(0) config = tf.ConfigProto() config.gpu_options.per_process_gpu_memory_fraction = 0.2 sess = tf.InteractiveSession(config=config) coord = tf.train.Coordinator() threads = tf.train.start_queue_runners(sess = sess, coord = coord) # 加载模型参数 print("Reading checkpoints...") ckpt = tf.train.get_checkpoint_state(train_dir) if ckpt and ckpt.model_checkpoint_path: ckpt_name = os.path.basename(ckpt.model_checkpoint_path) global_step = ckpt.model_checkpoint_path.split(‘/‘)[-1].split(‘-‘)[-1] saver.restore(sess, os.path.join(train_dir, ckpt_name)) print(‘Loading success, global_step is %s‘ % global_step) try: # 对比分类结果，至于为什么用这个函数，后面详谈 top_k_op = tf.nn.in_top_k(logits, labels, 1) true_count = 0 step = 0 while step < 157: if coord.should_stop(): break predictions = sess.run(top_k_op) true_count += np.sum(predictions) step += 1 precision = true_count / 10000 print(‘%s: precision @ 1 = %.3f‘ % (datetime.now(), precision)) except tf.errors.OutOfRangeError: coord.request_stop() finally: coord.request_stop() coord.join(threads) sess.close() if __name__ == ‘__main__‘: if TRAIN: train () else: evaluate()
现在说明一下 in_top_k 这个函数的作用，官方文档介绍中： tf.nn.in_top_k(predictions, targets, k, name=None)这个函数返回一个 batch_size 大小的布尔矩阵 array，predictions 是一个 batch_size*classes 大小的矩阵，targets 是一个 batch_size 大小的类别 index 矩阵，这个函数的作用是，如果 targets[i] 是 predictions[i][:] 的前 k 个最大值，则返回的 array[i] = True， 否则，返回的 array[i] = False。可以看到，在上述评估程序 evaluate 中，这个函数没有用 softmax 的结果进行计算，而是用 inference 最后的输出结果（一个全连接层）进行计算。
写完之后，点击运行，可以看到，训练的 loss 值，从刚开始的 2.31 左右，下降到最终的 0.00 左右，在训练的过程中，/home/your_name/TensorFlow/cifar10/cifar10_train/ 文件夹下会出现12个文件，其中有 5 个 model.ckpt-0000 文件，这个是训练过程中保存的模型，后面的数字表示迭代次数，5 个 model.ckpt-0000.meta 文件，这个是训练过程中保存的元数据（暂时不清楚功能），TensorFlow 默认只保存近期的几个模型和几个元数据，删除前面没用的模型和元数据。还有个 checkpoint 的文本文档，和一个 out.tfevents 形式的文件，是summary 的日志文件。如果不想用 tensorboard 看网络结构和训练过程中的权重分布，损失情况等等，在程序中可以不写 summary 语句。
训练完成之后，我们用 tensorboard 进行可视化（事实上在训练的过程中，随时可以可视化）。在任意位置打开命令行终端，输入：
tensorboard --logdir=/home/your_name/TensorFlow/cifar10/cifar10_train/
会出现如下指示：
根据指示，打开浏览器，输入 http://127.0.1.1:6006（有的浏览器可能不支持，建议多换几个浏览器试试）会看到可视化的界面，有六个选项卡：
EVENTS 对话框里面有两个图，一个是训练过程中的 loss 图，一个是队列 queue 的图；由于没有 image_summary() 和 audio_summary() 语句，所以，IMAGES 和 AUDIO 选项卡都没有内容；GRAPHS 选项卡包含了整个模型的流程图，如下图，可以展开和移动选定的 namespace；DISTRBUTIONS 和 HISTOGRAMS 包含了训练时的各种汇总的分布和柱状图。
训练完之后，设置 TRAIN = False，进行测试，得到如下结果：
可以看到，测试的精度只有 76%，测试结果不够高的原因可能是，测试的时候没有经过 softmax 层，直接用全连接层的权重（存疑？），另外官方的代码也给出了官方的运行结果，如下：
可以看到，经过 10 万次迭代，官方给出的正确率达到 83%，我们只进行了 5 万次，达到 76% 的正确率，相对来说，还算可以，效果没有官方好的原因可能是：
1. 官方使用了非固定的学习率；
2. 官方迭代比本代码迭代次数多一倍；
参考文献：
1. https://github.com/tensorflow/models/tree/master/tutorials/image/cifar10
TF Boys (TensorFlow Boys ) 养成记（六）