前言

之前写代码的时候都要预先初始化权重，还得担心变量是否会出现被重复定义的错误，但是看网上有直接用tf.layers构建网络，很简洁的方法。

这里主要尝试了不预定义权重，是否能够实现正常训练、模型保存和调用，事实证明阔以。

验证

训练与模型保存

很简洁的代码直接五十行实现了手写数字的网络训练

import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data mnist=input_data.read_data_sets("./TensorFlow-Examples-master/examples/3_NeuralNetworks/tmp",one_hot=True)steps=5000 batch_size=100 def conv_network(x):x=tf.reshape(x,[-1,28,28,1])#第一层卷积conv1=tf.layers.conv2d(inputs=x,filters=32,kernel_size=[5,5],activation=tf.nn.relu)conv1=tf.layers.max_pooling2d(conv1,pool_size=[2,2],strides=[2,2])#第二层卷积conv2=tf.layers.conv2d(inputs=conv1,filters=64,kernel_size=[3,3],activation=tf.nn.relu)conv2=tf.layers.max_pooling2d(inputs=conv2,pool_size=[2,2],strides=[2,2])#第三层卷积conv3=tf.layers.conv2d(inputs=conv2,filters=32,kernel_size=[3,3],activation=tf.nn.relu)conv3=tf.layers.max_pooling2d(inputs=conv3,pool_size=[2,2],strides=[2,2])#全连接fc1=tf.layers.flatten(conv3)fc1=tf.layers.dense(fc1,500,activation=tf.nn.relu)#输出fc2=tf.layers.dense(fc1,10)fc2=tf.nn.softmax(fc2) #因为loss里面用了softmax_cross_enrtopy，所以此行去掉return fc2input_img=tf.placeholder(dtype=tf.float32,shape=[None,28*28],name='X') input_lab=tf.placeholder(dtype=tf.int32,shape=[None,10])#损失函数 output_lab=conv_network(input_img) logit_loss=tf.nn.softmax_cross_entropy_with_logits_v2(labels=input_lab,logits=output_lab) loss=tf.reduce_mean(tf.cast(logit_loss,tf.float32)) #可以去掉，因为softmax_cross_entroy自带求均值 optim=tf.train.AdamOptimizer(0.001).minimize(loss) #评估函数 pred_equal=tf.equal(tf.arg_max(output_lab,1),tf.arg_max(input_lab,1)) accuracy=tf.reduce_mean(tf.cast(pred_equal,tf.float32))init=tf.global_variables_initializer() saver=tf.train.Saver() tf.add_to_collection('pred',output_lab) with tf.Session() as sess:sess.run(init)for step in range(steps):data_x,data_y=mnist.train.next_batch(batch_size)sess.run(optim,feed_dict={input_img:data_x,input_lab:data_y})if step%100==0 or step==1:accuracy_val=sess.run(accuracy,feed_dict={input_img:data_x,input_lab:data_y})print('step'+str(step)+' ,loss '+'{:.4f}'.format(accuracy_val))print('training finished!!')saver.save(sess,'./layermodel/CNN_layer')

【更新日志】 2019-9-2
学艺不精，上面由于损失函数用的softmax_cross_entropy_with_logits_v2，所以输出会被归一化，得分也是一个batch的损失均值，因而构建网络的时候，没必要用最后下面两句话：

loss=tf.reduce_mean(tf.cast(logit_loss,tf.float32)) fc2=tf.nn.softmax(fc2)

调用模型

实现单张手写数字的识别

import tensorflow as tf import numpy as np import matplotlib.pyplot as plt import cv2 saver=tf.train.import_meta_graph('./layermodel/CNN_layer.meta') sess=tf.Session() saver.restore(sess,'./layermodel/CNN_layer') graph=tf.get_default_graph() print(graph.get_all_collection_keys()) #['pred', 'train_op', 'trainable_variables', 'variables'] print(graph.get_collection('trainable_variables')) prediction=graph.get_collection('pred') X=graph.get_tensor_by_name('X:0') #读取图片 image=cv2.imread('./mnist/test/2/2_2.png') image=cv2.cvtColor(image,cv2.COLOR_BGR2GRAY) plt.imshow(image) plt.show() #显示图片 input_img=np.reshape(image,[1,28*28]) result=sess.run(prediction,feed_dict={X:input_img}) print(result) #[array([[0., 0., 1., 0., 0., 0., 0., 0., 0., 0.]], dtype=float32)]

后记

其实主要是为了后续使用tf.layers里面的其它结构比如BN做准备，因为代码越复杂，写起来越恶心，不如现在看看如何简化代码，第一步就是去除了权重的预定义，后续慢慢研究其它的。

训练代码：链接：https://pan.baidu.com/s/1gmX-YBkz4nNG3RpJ_rEBKQ 密码：o8u2

测试代码：链接：https://pan.baidu.com/s/1ME9pgyM9TNQadmzMeURlNg 密码：5z7k

总结

以上是生活随笔为你收集整理的【TensorFlow-windows】学习笔记八——简化网络书写的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。