在 MNIST 集上使用 TensorFlow 进行预测的困境

Posted 2023-03-12

【中文标题】在 MNIST 集上使用 TensorFlow 进行预测的困境

【英文标题】：Dillema with prediction with TensorFlow on MNIST set

【发布时间】：2017-10-10 14:03:54

【问题描述】：

目前我是 TensorFlow 的新手，我已经使用 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 中的工作原理有一定的语法或理解 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)

使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！

【参考方案1】：

y_conv 将为您提供提出建议所需的内容。您可能只是不了解数据在该张量中的形式。

在您的代码中，您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softmax_cross_encropy_with_logits 方法。 y_conv 在这一点上是一个未缩放的数字。负值代表负类，正值代表正类。

softmax 会将这些转换为所有输出的概率分布。这尤其将所有输出转换为 [0,1] 范围。然后交叉熵计算误差（交叉熵假设值在 [0,1] 范围内）。

如果您使用的是 softmax，那么通常简单地创建另一个实际计算预测的张量：

prediction = tf.softmax(y_conv)

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

如果您只关心最可能的类，那么您可以取y_conv 值中的最大值。另请注意，如果此陈述属实，您可能需要尝试使用tf.nn.sigmoid_cross_entropy_with_logits，它稍微调整以产生非概率分布的结果（对于单类预测稍微好一点，对于多类预测是强制性的）。

【讨论】：

嗨，大卫，感谢您快速而明确的回答。不幸的是，这似乎不是没有工作。我在代码中添加了以下几行：“prediction = tf.nn.softmax(y_conv)”在我的代码中的 sess.run 行之前和“print sess.run(correct_prediction,feed_dict=x: mnist.test.images )” 在最后尝试打印预测，但我收到错误：“InvalidArgumentError（参见上文的回溯）：您必须使用 dtype float [[Node: Placeholder_40 = Placeholder[dtype] 为占位符张量“Placeholder_40”提供一个值=DT_FLOAT, shape=[], _device="/job:localhost/replica:0/task:0/cpu:0"]()]]"

这是一个不同的问题，你有一个占位符来传递数据，而你没有向它提供数据。首先命名您的占位符，以便错误消息将您指向正确的位置。可能是您的标签在某处被使用。如果您请求的 OP 与占位符无关，则无需提供占位符，但很容易产生您没有注意到的依赖。