TensorFlow MNIST 初学者需要一些了解评估步骤

Posted 2023-03-13

【中文标题】TensorFlow MNIST 初学者需要一些了解评估步骤

【英文标题】：Tensorflow MNIST beginners need some understanding evaluation step

【发布时间】：2016-04-11 07:56:50

【问题描述】：

我浏览了 TensorFlow 中评估训练模型的基本示例。它是这样说的：

accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
print(sess.run(accuracy, feed_dict=x: mnist.test.images, y_: mnist.test.labels))

我没有遵循此代码，训练有素的“模型”在哪里？还是 tf.reduce_mean(....) ？检查训练好的模型。

【问题讨论】：

问清楚你的问题，明确你的格式。学习如何提问。你的问题没有多大意义。

我对学习 TensorFlow 很感兴趣，但我意识到当我开始时，除了运行示例之外，我缺乏基本的词汇和概念。因此，为了了解基础知识，我求助于 Neural Networks and Deep Learning 和 Andrew Ng course videos

【参考方案1】：

正如“Guy Coder”所说，也许你应该在开始使用 tensorflow 之前查看其他在线资源或 MOOC。

但无论如何，也许你会得到一个更清晰的画面......

在 tensorflow 中训练模型分为两部分。

首先声明模型的结构，包括不同的层和变量。 Tensorflow 会用它制作一个图表，但还没有发生任何计算。 然后你让 tensorflow “运行”并优化模型。您在这里所做的是告诉 tensorflow 您想要减少交叉熵或您定义的任何损失函数，因此您提供输入数据和图表需要计算的标签。

在此之后，您会提出一个经过训练的模型。也许您会想要保存模型并在以后重新使用它，但那是另一回事了。

所以，培训期间或培训结束后您可以致电 print(sess.run(accuracy, feed_dict=x: mnist.test.images, y_: mnist.test.labels))。

这是告诉 tensorflow 使用带有变量当前值的图表来计算准确度（也许你正在训练中）。你正在为图像和标签提供这个精度函数。 TensorFlow 会取 x 值并尝试预测 y_，准确率将取决于他的表现。

与您的训练模型的连接来自correct_prediction 函数，该函数应将正确的输出与模型的预测进行比较，即y_ vs y

希望对你有帮助

编辑

我将根据您的 cmets 进行回答，但请注意，您的问题解释得非常糟糕......正如 S_kar 所指出的那样

要保存模型，您可以这样做：

# model declared before this line
with tf.Session() as sess:
    # Merge all the summaries and write them out to /tmp/tf
    merged = tf.merge_all_summaries()
    writer = tf.train.SummaryWriter("/tmp/tf", sess.graph_def)
    tf.initialize_all_variables().run()

    saver = tf.train.Saver()

    """
    train the model...
    """

    print "Model succesfuly trained"

    # now save the model in a subdirectory called "model"
    checkpoint_path = os.getcwd() + "/model/model.ckpt"
    saver.save(sess, checkpoint_path)
    print "Model saved"

要恢复模型，请查看this question

【讨论】：

我已经按照完整的 MNIST 示例说明了它的工作原理，但是从我看到我们获取数据、创建模型、训练模型和测试模型的方式来看。关键是这个模型对象在 TensorFlow 中的位置，我如何保存它并在应用程序中使用它，哪个对象是训练好的模型？

Tensorflow 模型是如何保存和使用的？

您需要要求 OP 发布一个新问题。我知道新人习惯于讨论板，但 *** 不是讨论板。通过发布新问题，人们可以快速找到答案。

感谢这真的有帮助

很高兴它有帮助！在制定下一个问题时，请尝试更清楚