本篇主要介绍如何保存和恢复神经网络变量以及Early-Stopping优化策略。
其中有大段之前教程的文字及代码，如果看过的朋友可以快速翻到下文Saver相关的部分。| |
by / /
中文翻译 /如有转载，请附上本文链接。
介绍
这篇教程展示了如何保存以及恢复神经网络中的变量。在优化的过程中，当验证集上分类准确率提高时，保存神经网络的变量。如果经过1000次迭代还不能提升性能时，就终止优化。然后我们重新载入在验证集上表现最好的变量。
这种策略称为Early-Stopping。它用来避免神经网络的过拟合。（过拟合）会在神经网络训练时间太长时出现，此时神经网络开始学习训练集中的噪声，将导致它误分类新的图像。
这篇教程主要是用神经网络来识别MNIST数据集中的手写数字，过拟合在这里并不是什么大问题。但本教程展示了Early Stopping的思想。
本文基于上一篇教程，你需要了解基本的TensorFlow和附加包Pretty Tensor。其中大量代码和文字与之前教程相似，如果你已经看过就可以快速地浏览本文。
流程图
下面的图表直接显示了之后实现的卷积神经网络中数据的传递。网络有两个卷积层和两个全连接层，最后一层是用来给输入图像分类的。关于网络和卷积的更多细节描述见教程 #02 。
from IPython.display import ImageImage('images/02_network_flowchart.png')复制代码 导入
%matplotlib inlineimport matplotlib.pyplot as pltimport tensorflow as tfimport numpy as npfrom sklearn.metrics import confusion_matriximport timefrom datetime import timedeltaimport mathimport os# Use PrettyTensor to simplify Neural Network construction.import prettytensor as pt复制代码
使用Python3.5.2（Anaconda）开发，TensorFlow版本是：
tf.__version__复制代码
'0.12.0-rc0'
PrettyTensor 版本:
pt.__version__复制代码
'0.7.1'
载入数据
MNIST数据集大约12MB，如果没在给定路径中找到就会自动下载。
from tensorflow.examples.tutorials.mnist import input_datadata = input_data.read_data_sets('data/MNIST/', one_hot=True)复制代码 Extracting data/MNIST/train-images-idx3-ubyte.gz
Extracting data/MNIST/train-labels-idx1-ubyte.gz Extracting data/MNIST/t10k-images-idx3-ubyte.gz Extracting data/MNIST/t10k-labels-idx1-ubyte.gz
现在已经载入了MNIST数据集，它由70,000张图像和对应的标签（比如图像的类别）组成。数据集分成三份互相独立的子集。我们在教程中只用训练集和测试集。
print("Size of:")print("- Training-set:\t\t{}".format(len(data.train.labels)))print("- Test-set:\t\t{}".format(len(data.test.labels)))print("- Validation-set:\t{}".format(len(data.validation.labels)))复制代码 Size of:
-Training-set: 55000 -Test-set: 10000 -Validation-set: 5000
类型标签使用One-Hot编码，这意外每个标签是长为10的向量，除了一个元素之外，其他的都为零。这个元素的索引就是类别的数字，即相应图片中画的数字。我们也需要测试数据集类别数字的整型值，用下面的方法来计算。
data.test.cls = np.argmax(data.test.labels, axis=1)data.validation.cls = np.argmax(data.validation.labels, axis=1)复制代码
数据维度
在下面的源码中，有很多地方用到了数据维度。它们只在一个地方定义，因此我们可以在代码中使用这些数字而不是直接写数字。
# We know that MNIST images are 28 pixels in each dimension.img_size = 28# Images are stored in one-dimensional arrays of this length.img_size_flat = img_size * img_size# Tuple with height and width of images used to reshape arrays.img_shape = (img_size, img_size)# Number of colour channels for the images: 1 channel for gray-scale.num_channels = 1# Number of classes, one class for each of 10 digits.num_classes = 10复制代码
用来绘制图片的帮助函数
这个函数用来在3x3的栅格中画9张图像，然后在每张图像下面写出真实类别和预测类别。
def plot_images(images, cls_true, cls_pred=None): assert len(images) == len(cls_true) == 9 # Create figure with 3x3 sub-plots. fig, axes = plt.subplots(3, 3) fig.subplots_adjust(hspace=0.3, wspace=0.3) for i, ax in enumerate(axes.flat): # Plot image. ax.imshow(images[i].reshape(img_shape), cmap='binary') # Show true and predicted classes. if cls_pred is None: xlabel = "True: {0}".format(cls_true[i]) else: xlabel = "True: {0}, Pred: {1}".format(cls_true[i], cls_pred[i]) # Show the classes as the label on the x-axis. ax.set_xlabel(xlabel) # Remove ticks from the plot. ax.set_xticks([]) ax.set_yticks([]) # Ensure the plot is shown correctly with multiple plots # in a single Notebook cell. plt.show()复制代码 绘制几张图像来看看数据是否正确
# Get the first images from the test-set.images = data.test.images[0:9]# Get the true classes for those images.cls_true = data.test.cls[0:9]# Plot the images and labels using our helper-function above.plot_images(images=images, cls_true=cls_true)复制代码
TensorFlow图
TensorFlow的全部目的就是使用一个称之为计算图（computational graph）的东西，它会比直接在Python中进行相同计算量要高效得多。TensorFlow比Numpy更高效，因为TensorFlow了解整个需要运行的计算图，然而Numpy只知道某个时间点上唯一的数学运算。
TensorFlow也能够自动地计算需要优化的变量的梯度，使得模型有更好的表现。这是由于图是简单数学表达式的结合，因此整个图的梯度可以用链式法则推导出来。
TensorFlow还能利用多核CPU和GPU，Google也为TensorFlow制造了称为TPUs（Tensor Processing Units）的特殊芯片，它比GPU更快。
一个TensorFlow图由下面几个部分组成，后面会详细描述：
- 占位符变量（Placeholder）用来改变图的输入。
- 模型变量（Model）将会被优化，使得模型表现得更好。
- 模型本质上就是一些数学函数，它根据Placeholder和模型的输入变量来计算一些输出。
- 一个cost度量用来指导变量的优化。
- 一个优化策略会更新模型的变量。
另外，TensorFlow图也包含了一些调试状态，比如用TensorBoard打印log数据，本教程不涉及这些。
占位符 （Placeholder）变量
Placeholder是作为图的输入，我们每次运行图的时候都可能改变它们。将这个过程称为feeding placeholder变量，后面将会描述这个。
首先我们为输入图像定义placeholder变量。这让我们可以改变输入到TensorFlow图中的图像。这也是一个张量（tensor），代表一个多维向量或矩阵。数据类型设置为float32，形状设为[None, img_size_flat]，None代表tensor可能保存着任意数量的图像，每张图象是一个长度为img_size_flat的向量。
x = tf.placeholder(tf.float32, shape=[None, img_size_flat], name='x')复制代码
卷积层希望x被编码为4维张量，因此我们需要将它的形状转换至[num_images, img_height, img_width, num_channels]。注意img_height == img_width == img_size，如果第一维的大小设为-1， num_images的大小也会被自动推导出来。转换运算如下：
x_image = tf.reshape(x, [-1, img_size, img_size, num_channels])复制代码
接下来我们为输入变量x中的图像所对应的真实标签定义placeholder变量。变量的形状是[None, num_classes]，这代表着它保存了任意数量的标签，每个标签是长度为num_classes的向量，本例中长度为10。
y_true = tf.placeholder(tf.float32, shape=[None, 10], name='y_true')复制代码
我们也可以为class-number提供一个placeholder，但这里用argmax来计算它。这里只是TensorFlow中的一些操作，没有执行什么运算。
y_true_cls = tf.argmax(y_true, dimension=1)复制代码
神经网络
这一节用PrettyTensor实现卷积神经网络，这要比直接在TensorFlow中实现来得简单，详见教程 #03。
基本思想就是用一个Pretty Tensor object封装输入张量x_image，它有一个添加新卷积层的帮助函数，以此来创建整个神经网络。Pretty Tensor负责变量分配等等。
x_pretty = pt.wrap(x_image)复制代码
现在我们已经将输入图像装到一个PrettyTensor的object中，再用几行代码就可以添加卷积层和全连接层。
注意，在with代码块中，pt.defaults_scope(activation_fn=tf.nn.relu) 把 activation_fn=tf.nn.relu当作每个的层参数，因此这些层都用到了 Rectified Linear Units (ReLU) 。defaults_scope使我们能更方便地修改所有层的参数。
with pt.defaults_scope(activation_fn=tf.nn.relu): y_pred, loss = x_pretty.\ conv2d(kernel=5, depth=16, name='layer_conv1').\ max_pool(kernel=2, stride=2).\ conv2d(kernel=5, depth=36, name='layer_conv2').\ max_pool(kernel=2, stride=2).\ flatten().\ fully_connected(size=128, name='layer_fc1').\ softmax_classifier(num_classes=num_classes, labels=y_true)复制代码
获取权重
下面，我们要绘制神经网络的权重。当使用Pretty Tensor来创建网络时，层的所有变量都是由Pretty Tensoe间接创建的。因此我们要从TensorFlow中获取变量。
我们用layer_conv1 和 layer_conv2代表两个卷积层。这也叫变量作用域（不要与上面描述的defaults_scope混淆了）。PrettyTensor会自动给它为每个层创建的变量命名，因此我们可以通过层的作用域名称和变量名来取得某一层的权重。
函数实现有点笨拙，因为我们不得不用TensorFlow函数get_variable()，它是设计给其他用途的，创建新的变量或重用现有变量。创建下面的帮助函数很简单。
def get_weights_variable(layer_name): # Retrieve an existing variable named 'weights' in the scope # with the given layer_name. # This is awkward because the TensorFlow function was # really intended for another purpose. with tf.variable_scope(layer_name, reuse=True): variable = tf.get_variable('weights') return variable复制代码 借助这个帮助函数我们可以获取变量。这些是TensorFlow的objects。你需要类似的操作来获取变量的内容： contents = session.run(weights_conv1) ，下面会提到这个。
weights_conv1 = get_weights_variable(layer_name='layer_conv1')weights_conv2 = get_weights_variable(layer_name='layer_conv2')复制代码
优化方法
PrettyTensor给我们提供了预测类型标签(y_pred)以及一个需要最小化的损失度量，用来提升神经网络分类图片的能力。
PrettyTensor的文档并没有说明它的损失度量是用cross-entropy还是其他的。但现在我们用AdamOptimizer来最小化损失。
优化过程并不是在这里执行。实际上，还没计算任何东西，我们只是往TensorFlow图中添加了优化器，以便后续操作。
optimizer = tf.train.AdamOptimizer(learning_rate=1e-4).minimize(loss)复制代码
性能度量
我们需要另外一些性能度量，来向用户展示这个过程。
首先我们从神经网络输出的y_pred中计算出预测的类别，它是一个包含10个元素的向量。类别数字是最大元素的索引。
y_pred_cls = tf.argmax(y_pred, dimension=1)复制代码
然后创建一个布尔向量，用来告诉我们每张图片的真实类别是否与预测类别相同。
correct_prediction = tf.equal(y_pred_cls, y_true_cls)复制代码
上面的计算先将布尔值向量类型转换成浮点型向量，这样子False就变成0，True变成1，然后计算这些值的平均数，以此来计算分类的准确度。
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))复制代码
Saver
为了保存神经网络的变量，我们创建一个称为Saver-object的对象，它用来保存及恢复TensorFlow图的所有变量。在这里并未保存什么东西，（保存操作）在后面的optimize()函数中完成。
saver = tf.train.Saver()复制代码
由于（保存操作）常间隔着写在（代码）中，因此保存的文件通常称为checkpoints。
这是用来保存或恢复数据的文件夹。
save_dir = 'checkpoints/'复制代码
如果文件夹不存在则创建。
if not os.path.exists(save_dir): os.makedirs(save_dir)复制代码
这是保存checkpoint文件的路径。
save_path = os.path.join(save_dir, 'best_validation')复制代码
运行TensorFlow
创建TensorFlow会话（session）
一旦创建了TensorFlow图，我们需要创建一个TensorFlow会话，用来运行图。
session = tf.Session()复制代码
初始化变量
变量weights和biases在优化之前需要先进行初始化。我们写一个简单的封装函数，后面会再次调用。
def init_variables(): session.run(tf.global_variables_initializer())复制代码
运行函数来初始化变量。
init_variables()复制代码
用来优化迭代的帮助函数
在训练集中有50,000张图。用这些图像计算模型的梯度会花很多时间。因此我们利用随机梯度下降的方法，它在优化器的每次迭代里只用到了一小部分的图像。
如果内存耗尽导致电脑死机或变得很慢，你应该试着减少这些数量，但同时可能还需要更优化的迭代。
train_batch_size = 64复制代码
每迭代100次下面的优化函数，会计算一次验证集上的分类准确率。如果过了1000次迭代验证准确率还是没有提升，就停止优化。我们需要一些变量来跟踪这个过程。
# Best validation accuracy seen so far.best_validation_accuracy = 0.0# Iteration-number for last improvement to validation accuracy.last_improvement = 0# Stop optimization if no improvement found in this many iterations.require_improvement = 1000复制代码
函数用来执行一定数量的优化迭代，以此来逐渐改善网络层的变量。在每次迭代中，会从训练集中选择新的一批数据，然后TensorFlow在这些训练样本上执行优化。每100次迭代会打印出（信息），同时计算验证准确率，如果效果有提升的话会将它保存至文件。
# Counter for total number of iterations performed so far.total_iterations = 0def optimize(num_iterations): # Ensure we update the global variables rather than local copies. global total_iterations global best_validation_accuracy global last_improvement # Start-time used for printing time-usage below. start_time = time.time() for i in range(num_iterations): # Increase the total number of iterations performed. # It is easier to update it in each iteration because # we need this number several times in the following. total_iterations += 1 # Get a batch of training examples. # x_batch now holds a batch of images and # y_true_batch are the true labels for those images. x_batch, y_true_batch = data.train.next_batch(train_batch_size) # Put the batch into a dict with the proper names # for placeholder variables in the TensorFlow graph. feed_dict_train = {x: x_batch, y_true: y_true_batch} # Run the optimizer using this batch of training data. # TensorFlow assigns the variables in feed_dict_train # to the placeholder variables and then runs the optimizer. session.run(optimizer, feed_dict=feed_dict_train) # Print status every 100 iterations and after last iteration. if (total_iterations % 100 == 0) or (i == (num_iterations - 1)): # Calculate the accuracy on the training-batch. acc_train = session.run(accuracy, feed_dict=feed_dict_train) # Calculate the accuracy on the validation-set. # The function returns 2 values but we only need the first. acc_validation, _ = validation_accuracy() # If validation accuracy is an improvement over best-known. if acc_validation > best_validation_accuracy: # Update the best-known validation accuracy. best_validation_accuracy = acc_validation # Set the iteration for the last improvement to current. last_improvement = total_iterations # Save all variables of the TensorFlow graph to file. saver.save(sess=session, save_path=save_path) # A string to be printed below, shows improvement found. improved_str = '*' else: # An empty string to be printed below. # Shows that no improvement was found. improved_str = '' # Status-message for printing. msg = "Iter: {0:>6}, Train-Batch Accuracy: {1:>6.1%}, Validation Acc: {2:>6.1%} {3}" # Print it. print(msg.format(i + 1, acc_train, acc_validation, improved_str)) # If no improvement found in the required number of iterations. if total_iterations - last_improvement > require_improvement: print("No improvement found in a while, stopping optimization.") # Break out from the for-loop. break # Ending time. end_time = time.time() # Difference between start and end-times. time_dif = end_time - start_time # Print the time-usage. print("Time usage: " + str(timedelta(seconds=int(round(time_dif)))))复制代码 用来绘制错误样本的帮助函数
函数用来绘制测试集中被误分类的样本。
def plot_example_errors(cls_pred, correct): # This function is called from print_test_accuracy() below. # cls_pred is an array of the predicted class-number for # all images in the test-set. # correct is a boolean array whether the predicted class # is equal to the true class for each image in the test-set. # Negate the boolean array. incorrect = (correct == False) # Get the images from the test-set that have been # incorrectly classified. images = data.test.images[incorrect] # Get the predicted classes for those images. cls_pred = cls_pred[incorrect] # Get the true classes for those images. cls_true = data.test.cls[incorrect] # Plot the first 9 images. plot_images(images=images[0:9], cls_true=cls_true[0:9], cls_pred=cls_pred[0:9])复制代码
绘制混淆（confusion）矩阵的帮助函数
def plot_confusion_matrix(cls_pred): # This is called from print_test_accuracy() below. # cls_pred is an array of the predicted class-number for # all images in the test-set. # Get the true classifications for the test-set. cls_true = data.test.cls # Get the confusion matrix using sklearn. cm = confusion_matrix(y_true=cls_true, y_pred=cls_pred) # Print the confusion matrix as text. print(cm) # Plot the confusion matrix as an image. plt.matshow(cm) # Make various adjustments to the plot. plt.colorbar() tick_marks = np.arange(num_classes) plt.xticks(tick_marks, range(num_classes)) plt.yticks(tick_marks, range(num_classes)) plt.xlabel('Predicted') plt.ylabel('True') # Ensure the plot is shown correctly with multiple plots # in a single Notebook cell. plt.show()复制代码 计算分类的帮助函数
这个函数用来计算图像的预测类别，同时返回一个代表每张图像分类是否正确的布尔数组。
由于计算可能会耗费太多内存，就分批处理。如果你的电脑死机了，试着降低batch-size。
# Split the data-set in batches of this size to limit RAM usage.batch_size = 256def predict_cls(images, labels, cls_true): # Number of images. num_images = len(images) # Allocate an array for the predicted classes which # will be calculated in batches and filled into this array. cls_pred = np.zeros(shape=num_images, dtype=np.int) # Now calculate the predicted classes for the batches. # We will just iterate through all the batches. # There might be a more clever and Pythonic way of doing this. # The starting index for the next batch is denoted i. i = 0 while i < num_images: # The ending index for the next batch is denoted j. j = min(i + batch_size, num_images) # Create a feed-dict with the images and labels # between index i and j. feed_dict = {x: images[i:j, :], y_true: labels[i:j, :]} # Calculate the predicted class using TensorFlow. cls_pred[i:j] = session.run(y_pred_cls, feed_dict=feed_dict) # Set the start-index for the next batch to the # end-index of the current batch. i = j # Create a boolean array whether each image is correctly classified. correct = (cls_true == cls_pred) return correct, cls_pred复制代码 计算测试集上的预测类别。
def predict_cls_test(): return predict_cls(images = data.test.images, labels = data.test.labels, cls_true = data.test.cls)复制代码
计算验证集上的预测类别。
def predict_cls_validation(): return predict_cls(images = data.validation.images, labels = data.validation.labels, cls_true = data.validation.cls)复制代码
分类准确率的帮助函数
这个函数计算了给定布尔数组的分类准确率，布尔数组表示每张图像是否被正确分类。比如， cls_accuracy([True, True, False, False, False]) = 2/5 = 0.4。
def cls_accuracy(correct): # Calculate the number of correctly classified images. # When summing a boolean array, False means 0 and True means 1. correct_sum = correct.sum() # Classification accuracy is the number of correctly classified # images divided by the total number of images in the test-set. acc = float(correct_sum) / len(correct) return acc, correct_sum复制代码
计算验证集上的分类准确率。
def validation_accuracy(): # Get the array of booleans whether the classifications are correct # for the validation-set. # The function returns two values but we only need the first. correct, _ = predict_cls_validation() # Calculate the classification accuracy and return it. return cls_accuracy(correct)复制代码
展示性能的帮助函数
函数用来打印测试集上的分类准确率。
为测试集上的所有图片计算分类会花费一段时间，因此我们直接从这个函数里调用上面的函数，这样就不用每个函数都重新计算分类。
def print_test_accuracy(show_example_errors=False, show_confusion_matrix=False): # For all the images in the test-set, # calculate the predicted classes and whether they are correct. correct, cls_pred = predict_cls_test() # Classification accuracy and the number of correct classifications. acc, num_correct = cls_accuracy(correct) # Number of images being classified. num_images = len(correct) # Print the accuracy. msg = "Accuracy on Test-Set: {0:.1%} ({1} / {2})" print(msg.format(acc, num_correct, num_images)) # Plot some examples of mis-classifications, if desired. if show_example_errors: print("Example errors:") plot_example_errors(cls_pred=cls_pred, correct=correct) # Plot the confusion matrix, if desired. if show_confusion_matrix: print("Confusion Matrix:") plot_confusion_matrix(cls_pred=cls_pred)复制代码 绘制卷积权重的帮助函数
def plot_conv_weights(weights, input_channel=0): # Assume weights are TensorFlow ops for 4-dim variables # e.g. weights_conv1 or weights_conv2. # Retrieve the values of the weight-variables from TensorFlow. # A feed-dict is not necessary because nothing is calculated. w = session.run(weights) # Print mean and standard deviation. print("Mean: {0:.5f}, Stdev: {1:.5f}".format(w.mean(), w.std())) # Get the lowest and highest values for the weights. # This is used to correct the colour intensity across # the images so they can be compared with each other. w_min = np.min(w) w_max = np.max(w) # Number of filters used in the conv. layer. num_filters = w.shape[3] # Number of grids to plot. # Rounded-up, square-root of the number of filters. num_grids = math.ceil(math.sqrt(num_filters)) # Create figure with a grid of sub-plots. fig, axes = plt.subplots(num_grids, num_grids) # Plot all the filter-weights. for i, ax in enumerate(axes.flat): # Only plot the valid filter-weights. if i 优化之前的性能
测试集上的准确度很低，这是由于模型只做了初始化，并没做任何优化，所以它只是对图像做随机分类。
print_test_accuracy()复制代码
Accuracy on Test-Set: 8.5% (849 / 10000)
卷积权重是随机的，但也很难把它与下面优化过的权重区分开来。这里也展示了平均值和标准差，因此我们可以看看是否有差别。
plot_conv_weights(weights=weights_conv1)复制代码
Mean: 0.00880, Stdev: 0.28635
10,000次优化迭代后的性能
现在我们进行了10,000次优化迭代，并且，当经过1000次迭代验证集上的性能却没有提升时就停止优化。
星号 * 代表验证集上的分类准确度有提升。
optimize(num_iterations=10000)复制代码
Iter: 100, Train-Batch Accuracy: 84.4%, Validation Acc: 85.2% Iter: 200, Train-Batch Accuracy: 92.2%, Validation Acc: 91.5%
Iter: 300, Train-Batch Accuracy: 95.3%, Validation Acc: 93.7% Iter: 400, Train-Batch Accuracy: 92.2%, Validation Acc: 94.3% Iter: 500, Train-Batch Accuracy: 98.4%, Validation Acc: 94.7% Iter: 600, Train-Batch Accuracy: 93.8%, Validation Acc: 94.7% Iter: 700, Train-Batch Accuracy: 98.4%, Validation Acc: 95.6% Iter: 800, Train-Batch Accuracy: 100.0%, Validation Acc: 96.3% Iter: 900, Train-Batch Accuracy: 98.4%, Validation Acc: 96.4% Iter: 1000, Train-Batch Accuracy: 100.0%, Validation Acc: 96.9% Iter: 1100, Train-Batch Accuracy: 96.9%, Validation Acc: 97.0% Iter: 1200, Train-Batch Accuracy: 93.8%, Validation Acc: 97.0% Iter: 1300, Train-Batch Accuracy: 92.2%, Validation Acc: 97.2% Iter: 1400, Train-Batch Accuracy: 100.0%, Validation Acc: 97.3% Iter: 1500, Train-Batch Accuracy: 96.9%, Validation Acc: 97.4% Iter: 1600, Train-Batch Accuracy: 100.0%, Validation Acc: 97.7% Iter: 1700, Train-Batch Accuracy: 100.0%, Validation Acc: 97.8% Iter: 1800, Train-Batch Accuracy: 98.4%, Validation Acc: 97.7% Iter: 1900, Train-Batch Accuracy: 98.4%, Validation Acc: 98.1% Iter: 2000, Train-Batch Accuracy: 95.3%, Validation Acc: 98.0% Iter: 2100, Train-Batch Accuracy: 98.4%, Validation Acc: 97.9% Iter: 2200, Train-Batch Accuracy: 100.0%, Validation Acc: 98.0% Iter: 2300, Train-Batch Accuracy: 96.9%, Validation Acc: 98.1% Iter: 2400, Train-Batch Accuracy: 93.8%, Validation Acc: 98.1% Iter: 2500, Train-Batch Accuracy: 98.4%, Validation Acc: 98.2% Iter: 2600, Train-Batch Accuracy: 98.4%, Validation Acc: 98.0% Iter: 2700, Train-Batch Accuracy: 98.4%, Validation Acc: 98.0% Iter: 2800, Train-Batch Accuracy: 96.9%, Validation Acc: 98.1% Iter: 2900, Train-Batch Accuracy: 96.9%, Validation Acc: 98.2% Iter: 3000, Train-Batch Accuracy: 98.4%, Validation Acc: 98.2% Iter: 3100, Train-Batch Accuracy: 100.0%, Validation Acc: 98.1% Iter: 3200, Train-Batch Accuracy: 100.0%, Validation Acc: 98.3% Iter: 3300, Train-Batch Accuracy: 98.4%, Validation Acc: 98.4% Iter: 3400, Train-Batch Accuracy: 95.3%, Validation Acc: 98.0% Iter: 3500, Train-Batch Accuracy: 98.4%, Validation Acc: 98.3% Iter: 3600, Train-Batch Accuracy: 100.0%, Validation Acc: 98.5% Iter: 3700, Train-Batch Accuracy: 98.4%, Validation Acc: 98.3% Iter: 3800, Train-Batch Accuracy: 96.9%, Validation Acc: 98.1% Iter: 3900, Train-Batch Accuracy: 96.9%, Validation Acc: 98.5% Iter: 4000, Train-Batch Accuracy: 100.0%, Validation Acc: 98.4% Iter: 4100, Train-Batch Accuracy: 100.0%, Validation Acc: 98.5% Iter: 4200, Train-Batch Accuracy: 100.0%, Validation Acc: 98.3% Iter: 4300, Train-Batch Accuracy: 100.0%, Validation Acc: 98.6% Iter: 4400, Train-Batch Accuracy: 96.9%, Validation Acc: 98.4% Iter: 4500, Train-Batch Accuracy: 98.4%, Validation Acc: 98.5% Iter: 4600, Train-Batch Accuracy: 98.4%, Validation Acc: 98.5% Iter: 4700, Train-Batch Accuracy: 98.4%, Validation Acc: 98.4% Iter: 4800, Train-Batch Accuracy: 100.0%, Validation Acc: 98.8% * Iter: 4900, Train-Batch Accuracy: 100.0%, Validation Acc: 98.8% Iter: 5000, Train-Batch Accuracy: 98.4%, Validation Acc: 98.6% Iter: 5100, Train-Batch Accuracy: 98.4%, Validation Acc: 98.6% Iter: 5200, Train-Batch Accuracy: 100.0%, Validation Acc: 98.6% Iter: 5300, Train-Batch Accuracy: 96.9%, Validation Acc: 98.5% Iter: 5400, Train-Batch Accuracy: 98.4%, Validation Acc: 98.7% Iter: 5500, Train-Batch Accuracy: 98.4%, Validation Acc: 98.6% Iter: 5600, Train-Batch Accuracy: 100.0%, Validation Acc: 98.4% Iter: 5700, Train-Batch Accuracy: 100.0%, Validation Acc: 98.6% Iter: 5800, Train-Batch Accuracy: 100.0%, Validation Acc: 98.7% No improvement found in a while, stopping optimization. Time usage: 0:00:28
print_test_accuracy(show_example_errors=True, show_confusion_matrix=True)复制代码
Accuracy on Test-Set: 98.4% (9842 / 10000)
Example errors:
Confusion Matrix:
[[ 974 0 0 0 0 1 2 0 2 1] [ 0 1127 2 2 0 0 1 0 3 0] [ 4 4 1012 4 1 0 0 3 4 0] [ 0 0 1 1005 0 2 0 0 2 0] [ 1 0 1 0 961 0 2 0 3 14] [ 2 0 1 6 0 880 1 0 1 1] [ 4 2 0 1 3 4 942 0 2 0] [ 1 1 8 6 1 0 0 994 1 16] [ 6 0 1 4 1 1 1 2 952 6] [ 3 3 0 3 2 2 0 0 1 995]]
现在卷积权重是经过优化的。将这些与上面的随机权重进行对比。它们看起来基本相同。实际上，一开始我以为程序有bug，因为优化前后的权重看起来差不多。
但保存图像，并排着比较它们（你可以右键保存）。你会发现两者有细微的不同。
平均值和标准差也有一点变化，因此优化过的权重肯定是不一样的。
plot_conv_weights(weights=weights_conv1)复制代码
Mean: 0.02895, Stdev: 0.29949
再次初始化变量
再一次用随机值来初始化所有神经网络变量。
init_variables()复制代码
这意味着神经网络又是完全随机地对图片进行分类，由于只是随机的猜测所以分类准确率很低。
print_test_accuracy()复制代码
Accuracy on Test-Set: 13.4% (1341 / 10000)
卷积权重看起来应该与上面的不同。
plot_conv_weights(weights=weights_conv1)复制代码
Mean: -0.01086, Stdev: 0.28023
恢复最好的变量
重新载入在优化过程中保存到文件的所有变量。
saver.restore(sess=session, save_path=save_path)复制代码
使用之前保存的那些变量，分类准确率又提高了。
注意，准确率与之前相比可能会有细微的上升或下降，这是由于文件里的变量是用来最大化验证集上的分类准确率，但在保存文件之后，又进行了1000次的优化迭代，因此这是两组有轻微不同的变量的结果。有时这会导致测试集上更好或更差的表现。
print_test_accuracy(show_example_errors=True, show_confusion_matrix=True)复制代码
Accuracy on Test-Set: 98.3% (9826 / 10000)
Example errors:
Confusion Matrix:
[[ 973 0 0 0 0 0 2 0 3 2] [ 0 1124 2 2 0 0 3 0 4 0] [ 2 1 1027 0 0 0 0 1 1 0] [ 0 0 1 1005 0 2 0 0 2 0] [ 0 0 3 0 968 0 1 0 3 7] [ 2 0 1 9 0 871 3 0 3 3] [ 4 2 1 0 3 3 939 0 6 0] [ 1 3 19 11 2 0 0 972 2 18] [ 6 0 3 5 1 0 1 2 951 5] [ 3 3 0 1 4 1 0 0 1 996]]
卷积权重也与之前显示的图几乎相同，同样，由于多做了1000次优化迭代，二者并非完全一样。
plot_conv_weights(weights=weights_conv1)复制代码
Mean: 0.02792, Stdev: 0.29822
关闭TensorFlow会话
现在我们已经用TensorFlow完成了任务，关闭session，释放资源。
# This has been commented out in case you want to modify and experiment# with the Notebook without having to restart it.# session.close()复制代码
总结
这篇教程描述了在TensorFlow中如何保存并恢复神经网络的变量。它有许多用处。比如，当你用神经网络来识别图像的时候，只需要训练网络一次，然后可以在其他电脑上完成开发工作。
checkpoint的另一个用处是，如果你有一个非常大的神经网络和数据集，就可能会在中间保存一些checkpoints来避免电脑死机，这样，你就可以在最近的checkpoint开始优化而不是重头开始。
本教程也展示了如何用验证集来进行所谓的Early Stopping，如果没有降低验证错误优化就会终止。这在神经网络出现过拟合以及开始学习训练集中的噪声时很有用；不过这在本教程的神经网络和MNIST数据集中并不是什么大问题。
还有一个有趣的现象，最优化时卷积权重（或者叫滤波）的变化很小，即使网络的性能从随机猜测提高到近乎完美的分类。奇怪的是随机的权重好像已经足够好了。你认为为什么会有这种现象?
练习
下面使一些可能会让你提升TensorFlow技能的一些建议练习。为了学习如何更合适地使用TensorFlow，实践经验是很重要的。
在你对这个Notebook进行修改之前，可能需要先备份一下。
- 在经过1000次迭代而性能没有提升时，优化就终止了。这样够吗？你能想出一个更好地进行Early Stopping的方法么？试着实现它。
- 如果checkpoint文件已经存在了，载入它而不是做优化。
- 每100次优化迭代保存一次checkpoint。通过
saver.latest_checkpoint()取回最新的（保存点）。为什么保存多个checkpoints而不是只保存最近的一个？ - 试着改变神经网络，比如添加其他层。当你从不同的网络中重新载入变量会出现什么问题？
- 用
plot_conv_weights()函数在优化前后画出第二个卷积层的权重。它们几乎相同的么？ - 你认为优化过的卷积权重为什么与随机初始化的（权重）几乎相同？
- 不看源码，自己重写程序。
- 向朋友解释程序如何工作。