使用 TensorFlow 的训练和预测出了啥问题?
Posted
技术标签:
【中文标题】使用 TensorFlow 的训练和预测出了啥问题?【英文标题】:What is going wrong with the training and predictions using TensorFlow?使用 TensorFlow 的训练和预测出了什么问题? 【发布时间】:2016-03-20 04:43:42 【问题描述】:请看下面写的代码。
x = tf.placeholder("float", [None, 80])
W = tf.Variable(tf.zeros([80,2]))
b = tf.Variable(tf.zeros([2]))
y = tf.nn.softmax(tf.matmul(x,W) + b)
y_ = tf.placeholder("float", [None,2])
所以在这里我们看到数据中有 80 个特征,只有 2 个可能的输出。我这样设置cross_entropy
和train_step
。
cross_entropy = tf.nn.softmax_cross_entropy_with_logits(tf.matmul(x, W) + b, y_)
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
初始化所有变量。
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
然后我使用这段代码来“训练”我的神经网络。
g = 0
for i in range(len(x_train)):
_, w_out, b_out = sess.run([train_step, W, b], feed_dict=x: [x_train[g]], y_: [y_train[g]])
g += 1
print "...Trained..."
训练网络后,无论我训练多少次,它总是产生相同的准确率。这个准确率是0.856067
,我用这个代码达到了这个准确率-
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
print sess.run(accuracy, feed_dict=x: x_test, y_: y_test)
0.856067
所以这就是问题所在。是因为我的维度太小了吗?也许我应该把这些特征分解成一个 10x8 矩阵?也许是 4x20 矩阵?等等
然后我尝试获取实际测试数据产生 0 或 1 的概率,就像这样-
test_data_actual = genfromtxt('clean-test-actual.csv',delimiter=',') # Actual Test data
x_test_actual = []
for i in test_data_actual:
x_test_actual.append(i)
x_test_actual = np.array(x_test_actual)
ans = sess.run(y, feed_dict=x: x_test_actual)
并打印出概率:
print ans[0:10]
[[ 1. 0.]
[ 1. 0.]
[ 1. 0.]
[ 1. 0.]
[ 1. 0.]
[ 1. 0.]
[ 1. 0.]
[ 1. 0.]
[ 1. 0.]
[ 1. 0.]]
(注意:它有时会产生[ 0. 1.]
。)
然后我尝试看看应用专家方法是否会产生更好的结果。请看以下代码。
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)
def conv2d(x, W):
return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
def max_pool_2x2(x):
return tf.nn.max_pool(x, ksize=[1, 1, 1, 1],
strides=[1, 1, 1, 1], padding='SAME')
(请注意我如何更改 strides
以避免错误)。
W_conv1 = weight_variable([1, 80, 1, 1])
b_conv1 = bias_variable([1])
问题又来了。我将张量(如果你愿意的话,向量/矩阵)定义为 80x1(所以 1 行,其中有 80 个特征);我在其余代码中继续这样做(请参见下文)。
x_ = tf.reshape(x, [-1,1,80,1])
h_conv1 = tf.nn.relu(conv2d(x_, W_conv1) + b_conv1)
第二卷积层
h_pool1 = max_pool_2x2(h_conv1)
W_conv2 = weight_variable([1, 80, 1, 1])
b_conv2 = bias_variable([1])
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)
密集连接层
W_fc1 = weight_variable([80, 1024])
b_fc1 = bias_variable([1024])
h_pool2_flat = tf.reshape(h_pool2, [-1, 80])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
辍学
keep_prob = tf.placeholder("float")
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
读出
W_fc2 = weight_variable([1024, 2])
b_fc2 = bias_variable([2])
y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)
在上面你会看到我将输出定义为 2 个可能的答案(也是为了避免错误)。
然后是cross_entropy
和train_step
。
cross_entropy = tf.nn.softmax_cross_entropy_with_logits(tf.matmul(h_fc1_drop, W_fc2) + b_fc2, y_)
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, "float"))
开始会话。
sess.run(tf.initialize_all_variables())
“训练”神经网络。
g = 0
for i in range(len(x_train)):
if i%100 == 0:
train_accuracy = accuracy.eval(session=sess, feed_dict=x: [x_train[g]], y_: [y_train[g]], keep_prob: 1.0)
train_step.run(session=sess, feed_dict=x: [x_train[g]], y_: [y_train[g]], keep_prob: 0.5)
g += 1
print "test accuracy %g"%accuracy.eval(session=sess, feed_dict=
x: x_test, y_: y_test, keep_prob: 1.0)
test accuracy 0.929267
再一次,它总是产生0.929267
作为输出。
实际数据产生 0 或 1 的概率如下:
[[ 0.92820859 0.07179145]
[ 0.92820859 0.07179145]
[ 0.92820859 0.07179145]
[ 0.92820859 0.07179145]
[ 0.92820859 0.07179145]
[ 0.92820859 0.07179145]
[ 0.96712834 0.03287172]
[ 0.92820859 0.07179145]
[ 0.92820859 0.07179145]
[ 0.92820859 0.07179145]]
如您所见,这些概率存在一些差异,但通常只是相同的结果。
我知道这不是深度学习问题。这显然是一个训练问题。我知道每次重新初始化变量并重新训练网络时,训练准确度总会有一些差异,但我只是不知道为什么或哪里出错了。
【问题讨论】:
您使用什么作为数据?您确定您的数据格式正确吗?您是否尝试过将线性回归模型拟合到您的数据中,以查看输入和输出之间是否存在相关性? 我使用在这里找到的数据-kaggle.com/c/GiveMeSomeCredit/data-但添加了来自我的同事的功能,并且所有的 NaN 都被删除和替换了。数据是多项式的,所以我不能只尝试对这个数据进行线性回归。我正在使用 softmax(多项逻辑回归)来提供帮助,但我不知道尺寸是否准确,或者我是否有足够的隐藏层。看看这篇文章colah.github.io/posts/2014-03-NN-Manifolds-Topology 我实际上只是被告知您可以对这些数据进行线性回归,但它会产生垃圾。 【参考方案1】:答案是 2 倍。
一个问题是尺寸/参数。另一个问题是特征被放置在错误的位置。
W_conv1 = weight_variable([1, 2, 1, 80])
b_conv1 = bias_variable([80])
注意weight_variable
中的前两个数字对应于输入的维度。后两个数字对应于特征张量的维度。 bias_variable
始终采用weight_variable
中的最后一个数字。
第二卷积层
W_conv2 = weight_variable([1, 2, 80, 160])
b_conv2 = bias_variable([160])
这里的前两个数字仍然对应于输入的维度。后两个数字对应于特征数量和由 80 个先前特征产生的加权网络。在这种情况下,我们将加权网络加倍。 80x2=160。然后bias_variable
采用weight_variable
中的最终数字。如果您要在此时完成代码,weight_variable
中的最后一个数字将是 1,以防止由于输入张量和输出张量的形状导致的尺寸错误。但是,为了更好的预测,让我们添加第三个卷积层。
第三卷积层
W_conv3 = weight_variable([1, 2, 160, 1])
b_conv3 = bias_variable([1])
再次,weight_variable
中的前两个数字采用输入的形状。第三个数字对应于我们在第二卷积层中建立的加权变量的数量。 weight_variable
中的最后一个数字现在变为 1,因此我们不会在预测的输出中遇到任何尺寸错误。在这种情况下,输出的维度为1, 2
。
W_fc2 = weight_variable([80, 1024])
b_fc2 = bias_variable([1024])
这里,神经元的数量是1024
,这完全是任意的,但是weight_variable
中的第一个数字需要是我们的特征矩阵的维度需要被整除的东西。在这种情况下,它可以是任何数字(例如2, 4, 10, 20, 40, 80
)。再次,bias_variable
采用weight_variable
中的最后一个数字。
此时,请确保h_pool3_flat = tf.reshape(h_pool3, [-1, 80])
中的最后一个数字对应于W_fc2
中的第一个数字weight_variable
。
现在,当您运行训练计划时,您会注意到结果各不相同,并且不会总是猜测全 1 或全 0。
当你想预测概率时,你必须将x
提供给softmax
变量-> y_conv=tf.nn.softmax(tf.matmul(h_fc2_drop, W_fc3) + b_fc3)
就像这样-
ans = sess.run(y_conv, feed_dict=x: x_test_actual, keep_prob: 1.0)
您可以更改 keep_prob
变量,但将其保持在 1.0
始终会产生最佳结果。现在,如果你打印出ans
,你会得到类似这样的东西-
[[ 0.90855026 0.09144982]
[ 0.93020624 0.06979381]
[ 0.98385173 0.0161483 ]
[ 0.93948185 0.06051811]
[ 0.90705943 0.09294061]
[ 0.95702559 0.04297439]
[ 0.95543593 0.04456403]
[ 0.95944828 0.0405517 ]
[ 0.99154049 0.00845954]
[ 0.84375167 0.1562483 ]
[ 0.98449463 0.01550537]
[ 0.97772813 0.02227189]
[ 0.98341942 0.01658053]
[ 0.93026513 0.06973486]
[ 0.93376994 0.06623009]
[ 0.98026556 0.01973441]
[ 0.93210858 0.06789146]
注意概率如何变化。您的训练现在正常进行。
【讨论】:
以上是关于使用 TensorFlow 的训练和预测出了啥问题?的主要内容,如果未能解决你的问题,请参考以下文章
如何使用分布式 Dask 和预训练的 Keras 模型进行模型预测?