TensorFlow MNIST 评估预测

Posted 2023-03-24

【中文标题】TensorFlow MNIST 评估预测

【英文标题】：Tensor Flow MNIST Evaluating predictions

【发布时间】：2017-06-16 02:17:41

【问题描述】：

我正在处理这个tutorial，我在以下代码中发现：在评估预测时，他运行准确度，该变量运行正确的变量，该变量又运行预测，这将再次用随机数重新初始化权重并重建 NN 模型。这是怎么回事？我错过了什么？

def neural_network_model(data):
    hidden_1_layer = 'weights':tf.Variable(tf.random_normal([784, n_nodes_hl1])),
                      'biases':tf.Variable(tf.random_normal([n_nodes_hl1]))

    hidden_2_layer = 'weights':tf.Variable(tf.random_normal([n_nodes_hl1, n_nodes_hl2])),
                      'biases':tf.Variable(tf.random_normal([n_nodes_hl2]))

    hidden_3_layer = 'weights':tf.Variable(tf.random_normal([n_nodes_hl2, n_nodes_hl3])),
                      'biases':tf.Variable(tf.random_normal([n_nodes_hl3]))

    output_layer = 'weights':tf.Variable(tf.random_normal([n_nodes_hl3, n_classes])),
                    'biases':tf.Variable(tf.random_normal([n_classes])),


    l1 = tf.add(tf.matmul(data,hidden_1_layer['weights']), hidden_1_layer['biases'])
    l1 = tf.nn.relu(l1)

    l2 = tf.add(tf.matmul(l1,hidden_2_layer['weights']), hidden_2_layer['biases'])
    l2 = tf.nn.relu(l2)

    l3 = tf.add(tf.matmul(l2,hidden_3_layer['weights']), hidden_3_layer['biases'])
    l3 = tf.nn.relu(l3)

    output = tf.matmul(l3,output_layer['weights']) + output_layer['biases']

    return output

def train_neural_network(x):
    prediction = neural_network_model(x)
    cost = tf.reduce_mean( tf.nn.softmax_cross_entropy_with_logits(prediction,y) )
    optimizer = tf.train.AdamOptimizer().minimize(cost)

    hm_epochs = 10
    with tf.Session() as sess:
        sess.run(tf.global_variables_initializer())

        for epoch in range(hm_epochs):
            epoch_loss = 0
            for _ in range(int(mnist.train.num_examples/batch_size)):
                epoch_x, epoch_y = mnist.train.next_batch(batch_size)
                _, c = sess.run([optimizer, cost], feed_dict=x: epoch_x, y: epoch_y)
                epoch_loss += c
            print('Epoch', epoch, 'completed out of',hm_epochs,'loss:',epoch_loss)

        correct = tf.equal(tf.argmax(prediction, 1), tf.argmax(y, 1))

        accuracy = tf.reduce_mean(tf.cast(correct, 'float'))
        print('Accuracy:',accuracy.eval(x:mnist.test.images, y:mnist.test.labels))

train_neural_network(x)

【参考方案1】：

你几乎猜对了。 accuracy 张量间接依赖于 prediction 张量，后者依赖于张量 x。在您的代码 sn-p 中，您没有包含 x 实际上是什么；但是来自链接的教程：

x = tf.placeholder('float', [None, 784])
y = tf.placeholder('float')

所以x 是一个占位符，即直接从用户那里获取其值的张量。从最后一行看不完全清楚

train_neural_network(x)

他实际上并没有调用转换函数train_neural_network(x)，它接受x 并动态处理它，就像您对常规函数所期望的那样；相反，该函数使用对先前定义的占位符变量（实际上是虚拟变量）的引用来定义计算图，然后使用会话直接执行。 然而，该图仅使用neural_network_model(x) 构建一次，然后查询给定数量的时期。

你错过的是：

_, c = sess.run([optimizer, cost], feed_dict=x: epoch_x, y: epoch_y)

这会查询optimizer 操作和cost 张量的结果，假设输入值为epoch_x 对应x 和epoch_y 对应y，通过所有定义的计算节点拉取数据，所有返回“向下”到x 的方式。为了获得cost，还需要y。两者都由调用者提供。 AdamOptimizer 将在其执行过程中更新所有可训练变量，从而改变网络的权重。

之后，

accuracy.eval(x: mnist.test.images, y: mnist.test.labels)

或者，等价

sess.run(accuracy, feed_dict=x: mnist.test.images, y: mnist.test.labels)

然后对 same 图发出另一次评估 - 不更改它 - 但这次使用输入 mnist.test.images 表示 x 和 mnist.test.labels 表示 y。 它之所以有效是因为prediction 本身依赖于x，在每次调用sess.run(...) 时，它都会被用户提供的值覆盖。

这是图表在 TensorBoard 中的样子。很难说，但两个占位符节点位于左下角，靠近名为“Variable”的橙色节点，位于右中，位于绿色“Slice_1”下方。

网络图的相关部分如下所示；我使用 TensorBoard 导出了这个。由于没有手动标记节点，因此有点难以获得（除了我自己标记的一对），但这里有六个相关点。占位符是黄色的：在右下角，您会发现 x 和 y 在左中角。 绿色是对我们有意义的中间值：左侧是 prediction 张量，右侧是名为 correct 的张量。蓝色部分是图表的端点：左上角是cost 张量，右上角是accuracy。本质上，数据从底部流向顶部。

所以，每当您说“根据x 评估prediction”、“根据x 和y 评估accuracy”或“根据x 和y 优化我的网络”，你真的只需在黄色端提供值并观察绿色或蓝色端的结果。

【讨论】：

我想我没听懂，你说对同一个图的另一个评估，如何在预测再次调用神经网络模型时不改变它，在重建图时必须调用一次，因为我知道只能调用的计算线，这就是你的意思吗？

我知道他在输入X时改变了X，但他也改变了隐藏层的权重并再次随机化，他真的这样做了吗？

可以这样想：网络图是由neural_network_model(x)定义的。该函数返回对张量prediction 的引用，该张量以某种方式依赖于x；它没有做任何事情，除了定义网络的样子。一旦您使用sess.run()（或.evaluate）评估张量，该图就会在 CPU 或 GPU 上实例化、固定。在那之后，基本上唯一改变任何东西的是优化器，在这种情况下是AdamOptimizer。其他一切都只是获取网络生成的结果如果您将其提供给x 和y。这有帮助吗？

隐藏层的权重和偏差在教程中通过tf.Variable 定义。变量 - 与占位符和常量相反 - 被隐式标记为“可训练”，也就是说，只要调用优化器的 .minimize() 操作，它们就会自动调整。

好的，但是当他再次调用具有隐藏层线的构造网络时，这不会再次将它们随机化吗？你的意思是优化器只能在图形构建后改变它们，不管他是否调用这个函数？