最近在根据极客学院的TensorFlow的官方文档-“
深入MNIST”
学习并做成Demo，中间遇到一些问题，现整理如下，以免遗忘。
文档的这一章节先继续上一章节“MNIST机器学习入门”的内容，并对上一节介绍的代码进行了小部分的改进，然后引出卷积Demo，咱们这里也分两部分整理。
I 改进代码
1.准备MNIST数据集
2.做成input_data.py文件等
具体的请参考上一节“
机器学习入门–MNIST（一）
”。
3.主要代码
新建文件，命名为mnist_softmax2.py（这个名字随便取），具体如下：
import input_data
import tensorflow as tf
#mnist数据集被分成两部分：60000行的训练数据集（mnist.train）和10000行的测试数据集（mnist.test）
#这样的切分很重要，在机器学习模型设计时必须有一个单独的测试数据集不用于训练而是用来评估这个模型的性能，
#从而更加容易把设计的模型推广到其他数据集上（泛化）
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
sess = tf.InteractiveSession()
#输入图片x是一个2维的浮点数张量。这里，分配给它的shape为[None, 784]，其中784是一张展平的MNIST图片的维度。
#None表示其值大小不定，在这里作为第一个维度值，用以指代batch的大小，意即x的数量不定。
x = tf.placeholder("float", shape=[None, 784])
#输出类别值y_也是一个2维张量，其中每一行为一个10维的one-hot向量,用于代表对应某一MNIST图片的类别。
#虽然placeholder的shape参数是可选的，有了它，TensorFlow能够自动捕捉因数据维度不一致导致的错误。
y_ = tf.placeholder("float", shape=[None, 10])
#权重，初始化为0的tensor
W = tf.Variable(tf.zeros([784,10]))
#偏置值，初始化为0的tensor
b = tf.Variable(tf.zeros([10]))
#初始化
#变量需要通过seesion初始化后，才能在session中使用。
#这一初始化步骤为，为初始值指定具体值（本例当中是全为零），并将其分配给每个变量,可以一次性为所有变量完成此操作。
sess.run(tf.global_variables_initializer())
#y为模型的预测值
y = tf.nn.softmax(tf.matmul(x,W) + b)
#误差 交叉熵
#tf.reduce_sum把minibatch里的每张图片的交叉熵值都加起来了。我们计算的交叉熵是指整个minibatch的。
cross_entropy = -tf.reduce_sum(y_*tf.log(y))
#用最速下降法让交叉熵下降，步长为0.01
#返回的train_step操作对象，在运行时会使用梯度下降来更新参数。
#因此，整个模型的训练可以通过反复地运行train_step来完成。
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
#每一步迭代，都会加载50个训练样本，然后执行一次train_step，
#并通过feed_dict将x 和 y_张量占位符用训练数据替代。
for i in range(1000):
batch = mnist.train.next_batch(50)
train_step.run(feed_dict={x: batch[0], y_: batch[1]})
#tf.argmax能给出某个tensor对象在某一维上的其数据最大值所在的索引值。
#由于标签向量是由0,1组成，因此最大值1所在的索引位置就是类别标签，比如tf.argmax(y,1)返回的是模型对于任一输入x预测到的标签值，
#而 tf.argmax(y_,1) 代表正确的标签，可以用 tf.equal 来检测我们的预测是否真实标签匹配(索引位置一样表示匹配)。
#本方法返回一个布尔数组。为了计算分类的准确率，将布尔值转换为浮点数来代表对、错，然后取平均值。
#例如：[True, False, True, True]变为[1,0,1,1]，计算出平均值为0.75。
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
#计算平均数
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
#打印准确度
print(accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels}))
注意：文件的编码格式要为“UTF-8”，不然会编译错误。
由于我机器安装的是python3.5，所以部分python代码格式作了小部分的调整（比如print方法的写法）。
4.执行并输出结果
cmd打开命令行窗口，进入Demo路径，执行主程序即可看到结果。
这个版本的只是对前一个版本进行了小幅度的优化与改进，整个算法不变，故输出结果与之前几乎相同，都是90.92%（运行10次结果都相同，这个与前一个版本的不同之处，具体为啥目前还不知道，有知道的麻烦指点一下～）。
具体的修改点如下。
1）TensorFlow的InteractiveSession
2）x,y_的初始定义引入了shape
3）循环训练是每次输入的样本数目不同
等等，还有一些细微写法的不同，可以自己对比下。
II 多层卷积Demo
1.准备MNIST数据集
2.做成input_data.py文件等
具体的请参考上一节“
机器学习入门–MNIST（一）
”。
3.主要代码
代码也从文档中一路Copy，所不同的是，这章详细讲解了卷积池化的算法，一些在上一章节介绍的基本定义忽略了，比如Session的定义，Mnist数据的引入、x，y_初始定义等，只要自己添加上即可。
新建文件，命名为mnist_softmax3_juanji.py（这个名字随便取），具体如下：
#mnist多层卷积网络Demo
import time
import input_data
import tensorflow as tf
#权重初始化
def weight_variable(shape):
initial = tf.truncated_normal(shape, stddev=0.1)
return tf.Variable(initial)
#偏置量初始化
def bias_variable(shape):
initial = tf.constant(0.1, shape=shape)
return tf.Variable(initial)
#卷积使用1步长（stride size），0边距（padding size）的模板，保证输出和输入是同一个大小
def conv2d(x, W):
return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
#池化用简单传统的2x2大小的模板做max pooling
def max_pool_2x2(x):
return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
strides=[1, 2, 2, 1], padding='SAME')
#mnist数据集被分成两部分：60000行的训练数据集（mnist.train）和10000行的测试数据集（mnist.test）
#这样的切分很重要，在机器学习模型设计时必须有一个单独的测试数据集不用于训练而是用来评估这个模型的性能，
#从而更加容易把设计的模型推广到其他数据集上（即：泛化）
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
x = tf.placeholder(tf.float32,[None, 784]) #图像输入向量
y_ = tf.placeholder("float", [None,10]) #实际分布
#第一层卷积由一个卷积接一个max pooling完成。
#卷积在每个5x5的patch中算出32个特征。卷积的权重张量是[5, 5, 1, 32]，
#前两个维度是patch的大小（5x5），接着是输入的通道数目（1），最后是输出的通道数目（32）。
W_conv1 = weight_variable([5, 5, 1, 32])
#对于每一个输出通道都有一个对应的偏置量。故为32。
b_conv1 = bias_variable([32])
#为了用这一层，我们把x变成一个4d向量，其第2、第3维对应图片的宽、高，
#最后一维代表图片的颜色通道数(因为是灰度图所以这里的通道数为1，如果是rgb彩色图，则为3)。
x_image = tf.reshape(x, [-1,28,28,1])
#把x_image和权值向量进行卷积，加上偏置项，然后应用ReLU激活函数，最后进行max pooling。
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)
#第二层卷积，把几个类似的层堆叠起来，构建一个更深的网络。
#第二层中，每个5x5的patch会得到64个特征。
W_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)
#密集连接层
#图片尺寸减小到7x7，加入一个有1024个神经元的全连接层，用于处理整个图片。
#我们把池化层输出的张量reshape成一些向量，乘上权重矩阵，加上偏置，然后对其使用ReLU。
W_fc1 = weight_variable([7 * 7 * 64, 1024])
b_fc1 = bias_variable([1024])
h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
#Dropout为了减少过拟合而加入。
#用一个placeholder来代表一个神经元的输出在dropout中保持不变的概率。
keep_prob = tf.placeholder("float")
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
#输出层
#添加一个softmax层，与前面的单层softmax regression一样。
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)
######################################训练和评估模型
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))
#计算平均数
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
#在Session里面启动模型
sess = tf.Session()
#初始化我们创建的变量
sess.run(tf.global_variables_initializer())
#用ADAM优化器来做梯度最速下降，在feed_dict中加入额外的参数keep_prob来控制dropout比例。
#然后每100次迭代输出一次日志。
for i in range(20000):
batch = mnist.train.next_batch(50)
if i%100 == 0:
train_accuracy = accuracy.eval(session=sess,
feed_dict={x:batch[0], y_: batch[1], keep_prob: 1.0})
print("step %d, training accuracy %g"%(i, train_accuracy))
train_step.run(session=sess, feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})
#输出最终的准确率
print("test accuracy %g"%accuracy.eval(session=sess, feed_dict={
x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))
注意：文件的编码格式要为“UTF-8”，不然会编译错误。
4.输出结果
cmd打开命令行窗口，进入demo路径，执行主程序即可看到结果。
结果为99.22%
这个程序比较耗费时间，在CPU版本上跑了一个小时四十五分钟（机器配置中等），所以，请耐心等候。
但是同样的代码，在高端机上的GPU版本
跑
，只需要三分钟，三分钟啊！！！哎，真是伤不起啊
5.FAQ
1）ValueError: Cannot evaluate tensor using `eval()`: No default session is registered
具体错误如下：
E:\CInfos\tensortflow\testcode\mnist>python mnist_softmax3_juanji.py
Extracting MNIST_data/train-images-idx3-ubyte.gz
Extracting MNIST_data/train-labels-idx1-ubyte.gz
Extracting MNIST_data/t10k-images-idx3-ubyte.gz
Extracting MNIST_data/t10k-labels-idx1-ubyte.gz
Traceback (most recent call last):
File "mnist_softmax3_juanji.py", line 83, in <module>
x:batch[0], y_: batch[1], keep_prob: 1.0})
File "C:\Users\uusmile\AppData\Local\Programs\Python\Python35\lib\site-package
s\tensorflow\python\framework\ops.py", line 575, in eval
return _eval_using_default_session(self, feed_dict, self.graph, session)
File "C:\Users\uusmile\AppData\Local\Programs\Python\Python35\lib\site-package
s\tensorflow\python\framework\ops.py", line 3619, in _eval_using_default_session
raise ValueError("Cannot evaluate tensor using `eval()`: No default "
ValueError: Cannot evaluate tensor using `eval()`: No default session is registe
red. Use `with sess.as_default()` or pass an explicit session to `eval(session=s
ess)`修改方法：
根据提示添加参数sess（sess为自己定义的Session名称）：
文档中：
train_accuracy = accuracy.eval(feed_dict={x:batch[0], y_: batch[1], keep_prob: 1.0})修改为：
train_accuracy = accuracy.eval(session=sess,feed_dict={x:batch[0], y_: batch[1], keep_prob: 1.0})2）ValueError: Cannot execute operation using `run()`: No default session is registered.
具体错误如下：
E:\CInfos\tensortflow\testcode\mnist>python mnist_softmax3_juanji.py
Extracting MNIST_data/train-images-idx3-ubyte.gz
Extracting MNIST_data/train-labels-idx1-ubyte.gz
Extracting MNIST_data/t10k-images-idx3-ubyte.gz
Extracting MNIST_data/t10k-labels-idx1-ubyte.gz
step 0, training accuracy 0.08
Traceback (most recent call last):
File "mnist_softmax3_juanji.py", line 85, in <module>
train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})
File "C:\Users\uusmile\AppData\Local\Programs\Python\Python35\lib\site-package
s\tensorflow\python\framework\ops.py", line 1449, in run
_run_using_default_session(self, feed_dict, self.graph, session)
File "C:\Users\uusmile\AppData\Local\Programs\Python\Python35\lib\site-package
s\tensorflow\python\framework\ops.py", line 3654, in _run_using_default_session
raise ValueError("Cannot execute operation using `run()`: No default "
ValueError: Cannot execute operation using `run()`: No default session is regist
ered. Use `with sess.as_default():` or pass an explicit session to `run(session=
sess)`修改方法：
与上一个错误类似，根据提示添加参数sess：
文档中：
train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})修改为：
train_step.run(session=sess, feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})
6.参考资料
http://wiki.jikexueyuan.com/project/tensorflow-zh/tutorials/mnist_beginners.html
—–转载请说明出处，谢谢～