Question

我一直试图利用Tensorflow来衡量它是否适合我在亨廷顿病项目上研究的数据分类（与问题无关，只是提供背景）。以前，我使用支持向量机对我的数据进行分类，这些数据是“好的”。我希望NNetworks更好。

加载数据很好，没有问题。阅读了Tensorflow的文档，并在线阅读了一些教程和示例后，我写了以下内容，用CSV数据做一个非常简单的网络示例。我在这个提供的例子中使用的数据是标准的MNIST图像数据库，但是采用CSV格式。

gulp.task("webpack", function(callback) {
    // run webpack
    webpack({
        // configuration
    }, function(err, stats) {
        if(err) throw new gutil.PluginError("webpack", err);
        gutil.log("[webpack]", stats.toString({
            // output options
        }));
        callback();
    });
});

全部功能。训练，测试和单射线阵列都是正确的大小，并填充正确的值。

实际的张量流代码是我最可能出错的地方（？）。

    datafile = os.path.join('/pathtofile/','mnist_train.csv')
    descfile = os.path.join('/pathtofile/','mnist_train.rst')
    mnist = DataLoader(datafile, descfile).load_model()

    x_train, x_test, y_train, y_test = train_test_split(mnist.DATA, mnist.TARGET, test_size=0.33, random_state=42)

    ## Width and length of arrays
    train_width = len(a_train[0]) + 1; train_length = len(a_train)
    test_width = len(a_test[0]) + 1; test_length = len(a_test)
    data = self.build_rawdata(a_train, b_train, train_length, train_width)
    test_data = self.build_rawdata(a_test, b_test, test_length, test_width)

    y_train, y_train_onehot = self.onehot_converter(data)
    y_test, y_test_onehot = self.onehot_converter(test_data)

    ## A = Features, B = Classes
    A = data.shape[1]-1
    B = len(y_train_onehot[0])

此代码的每个输出始终产生完全相同的准确度，我无法弄清楚原因。

    sess = tf.InteractiveSession()

    ##Weights and bias
    x = tf.placeholder("float", shape=[None, A])
    y_ = tf.placeholder("float", shape=[None, B])
    W = tf.Variable(tf.random_normal([A,B], stddev=0.01))
    b = tf.Variable(tf.random_normal([B], stddev=0.01))

    sess.run(tf.initialize_all_variables())
    y = tf.nn.softmax(tf.matmul(x, W) + b)
    cross_entropy = -tf.reduce_sum(y_*tf.log(y))

    train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

    ## 300 iterations of learning
    ## of the above GradientDescentOptimiser
    for i in range(100):
        train_step.run(feed_dict={x: x_train, y_: y_train_onehot})
        correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
        accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
        result = sess.run(accuracy, feed_dict={x: x_test, y_: y_test_onehot})
        print 'Run {}, {}'.format(i+1, result)

我回过头来看了一下教程，以及我从中学到的例子。虹膜数据集（以相同方式加载）产生了准确预测的适当输出。然而，这个带有MNIST CSV数据的代码没有。

任何见解都将受到赞赏。

编辑1：

所以我有几分钟时间尝试了一些你的建议，但没有用。为了比较，我还决定回去使用Iris CSV数据集进行测试。使用sess.run后，输出略有不同（train_step，feed = dict = {...}：

I tensorflow/core/common_runtime/local_device.cc:40] Local device intra op parallelism threads: 12
I tensorflow/core/common_runtime/direct_session.cc:58] Direct session inter op parallelism threads: 12
Run 1, 0.0974242389202
Run 2, 0.0974242389202
Run 3, 0.0974242389202
Run 4, 0.0974242389202
Run 5, 0.0974242389202
Run 6, 0.0974242389202
Run 7, 0.0974242389202
Run 8, 0.0974242389202
Run 9, 0.0974242389202
Run 10, 0.0974242389202
....
Run 100, 0.0974242389202

值通常在此范围内徘徊，直到达到运行64，并锁定在：

Run 1, 0.300000011921
Run 2, 0.319999992847
Run 3, 0.699999988079
Run 4, 0.699999988079
Run 5, 0.699999988079
Run 6, 0.699999988079
Run 7, 0.360000014305
Run 8, 0.699999988079
Run 9, 0.699999988079
Run 10, 0.699999988079
Run 11, 0.699999988079
Run 12, 0.699999988079
Run 13, 0.699999988079
Run 14, 0.699999988079
Run 15, 0.699999988079
Run 16, 0.300000011921
Run 17, 0.759999990463
Run 18, 0.680000007153
Run 19, 0.819999992847
Run 20, 0.680000007153
Run 21, 0.680000007153
Run 22, 0.839999973774
Run 23, 0.319999992847
Run 24, 0.699999988079
Run 25, 0.699999988079

Answer 1

我认为问题可能是你的train_step不在sess.run尝试这个。还可以考虑使用迷你批处理进行培训：

for i in range(100):
    for start, end in zip(range(0, len(x_train), 20), range(20, len(x_train), 20)):
        sess.run(train_step, feed_dict={x: x_train[start:end], y_: y_train_onehot[start:end]})

Tensorflow运行之间的准确度保持不变

1 个答案: