在 MNIST 集上使用 TensorFlow 进行预测的困境

Question

目前我是 TensorFlow 的新手，我使用 MNIST 集训练了一个模型，现在我制作了一些带有数字的图片，我想尝试测试精度。我想我对 TensorFlow 的工作原理有语法或理解这是我的模型：

x = tf.placeholder(tf.float32, shape=[None, 784])
y_ = tf.placeholder(tf.float32, shape=[None, 10])
sess = tf.InteractiveSession()
def weight_variable(shape):
initial = tf.truncated_normal(shape, stddev=0.1)
return tf.Variable(initial)

def bias_variable(shape):
    initial = tf.constant(0.1, shape=shape)
    return tf.Variable(initial)

#stride 1 and 0 padding
def conv2d(x, W):
    return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')

#pooling over 2x2
def max_pool_2x2(x):
    return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
                    strides=[1, 2, 2, 1], padding='SAME')

W_conv1 = weight_variable([5, 5, 1, 32])
b_conv1 = bias_variable([32])
x_image = tf.reshape(x, [-1,28,28,1])
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)
# Second Layer
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)
#Fully connected layer
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)
keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
#Readout layer
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])

y_conv = tf.matmul(h_fc1_drop, W_fc2) + b_fc2

cross_entropy = tf.reduce_mean(
tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=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))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
sess.run(tf.global_variables_initializer())
for i in range(200):
   batch = mnist.train.next_batch(50)
   if i%100 == 0:
        train_accuracy = accuracy.eval(feed_dict={
        x:batch[0], y_: batch[1], keep_prob: 1.0})
        print("step %d, training accuracy %g"%(i, train_accuracy))
   train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})

# Here is my custom dataset

custom_data=GetDataset()

print sess.run(y_conv,feed_dict={x: custom_data})

用我的自定义数据进行预测的语法不正确？我在这里遗漏了什么？我的数据与 MNIST 集中的数据格式相同，但我可以找到正确的语法来进行预测：

print sess.run(y_conv,feed_dict={x: custom_data})

非常感谢您的帮助！

Answer 1

y_conv 将为您提供所需的建议。您可能只是不理解数据在该张量中的形式。

在你的代码中你有一个损失函数和一个优化器：

cross_entropy = tf.reduce_mean(
   tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y_conv))
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)

请注意，您将 y_conv 传递给了 softmax_cross_encropy_with_logits 方法。 y_conv此时是一个未缩放的数字。负值代表负class，正值代表正class。

softmax 会将这些转换为所有输出的概率分布。这显着地将所有输出转换为 [0,1] 范围。然后交叉熵计算误差（交叉熵假定值在 [0,1] 范围内）。

通常只需创建另一个实际计算预测的张量，如果您使用的是 softmax，那么：

prediction = tf.softmax(y_conv)

这将为您提供标签上的预测概率分布。只需在 sess.run 步骤中请求该张量即可。

如果您只关心最可能的 class，那么您可以取 y_conv 个值中的最大值。另请注意，如果此陈述为真，您可能想尝试使用 tf.nn.sigmoid_cross_entropy_with_logits 进行试验，它稍微调整以产生不是概率分布的结果（对于单个 class 预测稍微好一些，并且对于多个 class 强制性class预测）。

在 MNIST 集上使用 TensorFlow 进行预测的困境

Dillema with prediction with TensorFlow on MNIST set

python

machine-learning

computer-vision

scikit-learn

tensorflow