如何從零開始寫一份標準的TensorFlow代碼（面向小白編程）

一步一步對照代碼寫出規範的TensorFlow代碼，面向只會函數式Python編程的小白（如鄙人）

• 定義一些常用函數：

• Xavier初始化器：
  

• standard_scale：

def standard_scale(X_train, X_test):
    # 分別進行standard操作

• get_random_block_from_data:

def get_random_block_from_data(data, batch_size):
    # 隨機抽取block，不放回抽樣，提高數據的使用率

• 定義一個網絡的時候常用子函數：
  

def __init__(接收輸入參數，transfer_function=tf.nn.softplus,
# 函數可以加括號也可以不加括號，不加括號就不用參數，自動適應
)：
   # 這裏，編寫把輸入參數傳給成員變量
     # 在這裏，寫構建網絡的代碼，每一層是怎麼乘起來的
   # 在這運行全局初始化子圖：（TensorFlow就是需要這樣的（乍看起來）毫無意義的初始化）
init = tf.global_variables_initializer()
self.sess = tf.Session()
self.sess.run(init)
def _initialize_weights(self):  # 權重生成器
    return all_weights
def partial_fit(self, X):
    # fit方法一般接受cost和優化器，還有scale等訓練的時候要用的東西，並開始run
    # fit方法對輸入的X進行訓練子圖，一般是傳入一個batch進行訓練
    cost, opt = self.sess.run((self.cost, self.optimizer),
                              feed_dict={self.x: X, self.scale: self.training_scale})
    return cost
def calc_total_cost(self, X):
    # cost方法根據X進行計算cost，是驗證的時候計算總cost的時候用的
    return self.sess.run(self.cost, feed_dict={self.x: X,
                                               self.scale: self.training_scale
                                               })

• 另外，再定義一下作爲一個autoencoder所需要的一些函數，比如獲取中間層權重之類的：

def getWeights(self):
    # 獲取中間層的權重
    return self.sess.run(self.weights['w1'])
def getBiases(self):
    return self.sess.run(self.weights['b1'])

def transform(self, X):
    # 中間層的接口，跟如傳入的X計算中間層輸出，注意，hidden是第一層輸出乘第二層權重，
    # 也就是說返回的是前兩層的結果
    # 因此可以說是獲取中間層輸出的子圖（不是訓練子圖）
    return self.sess.run(self.hidden, feed_dict={self.x: X,
                                                 self.scale: self.training_scale
                                                 })

• 最後，定義batch_size等,進行預處理和訓練

簡單總結一下：

基本tensorflow代碼寫作順序（sequenial）：
1.輸入層初始化
2.dropout
3.第二層x第一層....
4.loss function
5.定義優化器

5.迭代地進行訓練：

	優化器.run（x,y,參數表）

6.在測試集或者驗證集上驗證

參考代碼：

import numpy as np
import sklearn.preprocessing as prep
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data


# from tensorflow.contrib.factorization.examples.mnist import fill_feed_dict
# 用Denosing AutoEncoder對minist進行重構實驗
def xavier_init(fan_in, fan_out, const=1):
    # Xavier法對各個權重進行初始化，比較適合各種激活函數
    low = -const * np.sqrt(6.0 / (fan_in + fan_out))
    high = const * np.sqrt(6.0 / (fan_in + fan_out))
    return tf.random_uniform((fan_in, fan_out),
                             minval=low, maxval=high,
                             dtype=tf.float32)


class AdditiveGaussianNoiseAutoencoder(object):
    def __init__(self, n_input, n_hidden, transfer_function=tf.nn.softplus,
                 optimizer=tf.train.AdamOptimizer(), scale=0.1):
        self.n_input = n_input
        self.n_hidden = n_hidden
        self.transfer = transfer_function
        self.scale = tf.placeholder(tf.float32)
        self.training_scale = scale
        network_weights = self._initialize_weights()

        self.weights = network_weights

        self.x = tf.placeholder(tf.float32, [None, self.n_input])  # 輸入層
        self.n_hidden = self.transfer(tf.add(tf.matmul(  # 隱含層，輸入加上噪聲乘以w加b
            self.x + scale * tf.random_normal((n_input,)),
            self.weights['w1']), self.weights['b1']))
        self.reconstruction = tf.add(tf.matmul(self.n_hidden,
                                               self.weights['w2']), self.weights['b2'])
        self.cost = 0.5 * tf.reduce_sum(tf.pow(tf.subtract(
            self.reconstruction, self.x), 2.0))
        self.optimizer = optimizer.minimize(self.cost)  # 優化器相當方便，只要輸入一個cost函數就可以

        init = tf.global_variables_initializer()
        self.sess = tf.Session()
        self.sess.run(init)

    def _initialize_weights(self):  # 權重生成器
        all_weights = dict()
        all_weights['w1'] = tf.Variable(xavier_init(self.n_input,
                                                    self.n_hidden))
        all_weights['b1'] = tf.Variable(tf.zeros(self.n_hidden,
                                                 dtype=tf.float32))
        all_weights['w2'] = tf.Variable(tf.zeros([self.n_hidden,
                                                  self.n_input], dtype=tf.float32))
        all_weights['b2'] = tf.Variable(tf.zeros([self.n_input],
                                                 dtype=tf.float32))
        return all_weights

    def partial_fit(self, X):
        # fit方法一般接受cost和優化器，還有scale等訓練的時候要用的東西，並開始run
        # fit方法對輸入的X進行訓練子圖，一般是傳入一個batch進行訓練
        cost, opt = self.sess.run((self.cost, self.optimizer),
                                  feed_dict={self.x: X, self.scale: self.training_scale})
        return cost

    def calc_total_cost(self, X):
        # cost方法根據X進行計算cost，是驗證的時候計算總cost的時候用的
        return self.sess.run(self.cost, feed_dict={self.x: X,
                                                   self.scale: self.training_scale
                                                   })

    def transform(self, X):
        # 中間層的接口，跟如傳入的X計算中間層輸出，注意，hidden是第一層輸出乘第二層權重，
        # 也就是說返回的是前兩層的結果
        # 因此可以說是獲取中間層輸出的子圖（不是訓練子圖）
        return self.sess.run(self.hidden, feed_dict={self.x: X,
                                                     self.scale: self.training_scale
                                                     })

    def generate(self, hidden=None):
        # 還原子圖，以後這種子圖在模型訓練好之後，具有單獨的特徵提取和特徵還原功能
        if hidden is None:
            hidden = np.random.normal(size=self.weight['b1'])
        return self.sess.run(self.reconstruction,
                             feed_dict={self.hidden: hidden})

    def reconstruct(self, X):
        # 單獨定義的還原子圖，本質上是上面那個函數的子函數
        return self.sess.run(self.reconstruction, feed_dict={self.x: X,
                                                             self.scale: self.training_scale
                                                             })

    def getWeights(self):
        # 獲取中間層的權重
        return self.sess.run(self.weights['w1'])

    def getBiases(self):
        return self.sess.run(self.weights['b1'])


mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)


def standard_scale(X_train, X_test):
    # 分別進行standard操作
    preprocess = prep.StandardScaler().fit(X_train)
    # 在訓練數據上fit的scaler，在test上也可以用。
    # 並且爲什麼不一起standard呢？因爲考慮訓練數據在訓練的時候要有均值假設，不能一扔進去就不是均值的了
    X_train = preprocess.transform(X_train)
    X_test = preprocess.transform(X_test)
    return X_train, X_test


def get_random_block_from_data(data, batch_size):
    # 隨機抽取block，不放回抽樣，提高數據的使用率
    start_index = np.random.randint(0, len(data) - batch_size)
    return data[start_index:(start_index + batch_size)]


X_train, X_test = standard_scale(mnist.train.images, mnist.test.images)

n_samples = int(mnist.train.num_examples)
training_epochs = 200
batch_size = 128
display_step = 1

autoencoder = AdditiveGaussianNoiseAutoencoder(n_input=784,
                                               n_hidden=256,
                                               transfer_function=tf.nn.softplus,
                                               # 函數可以加括號也可以不加括號，不加括號就不用參數，自動適應
                                               optimizer=tf.train.AdamOptimizer(learning_rate=0.001),
                                               scale=0.01)
# 每一個batch中，獲取一個block，進行fit，對cost做平均每個樣本的cost，累加
for epoch in range(training_epochs):
    avg_cost = 0.
    total_batch = int(n_samples / batch_size)
    for i in range(total_batch):
        batch_xs = get_random_block_from_data(X_train, batch_size)
        cost = autoencoder.partial_fit(batch_xs)
        avg_cost += cost / n_samples * batch_size

    if epoch % display_step == 0:
        print("Epoch:", '%04d' % (epoch + 1), "cost = ",
              "{:.9f}".format(avg_cost))

print("Total cost:" + str(autoencoder.calc_total_cost(X_test)))