Question

我在 mnist 数据集上训练了一个逻辑回归模型，这些是重要的变量......

# tf Graph Input
x = tf.placeholder(tf.float32, [None, 784]) # mnist data image of shape 28*28=784
y = tf.placeholder(tf.float32, [None, 10]) # 0-9 digits recognition => 10 classes

# set model weights
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))

# construct model
logits = tf.matmul(x, W) + b
pred = tf.nn.softmax(logits)  # Softmax

# minimize error using cross entropy
cost = tf.reduce_mean(-tf.reduce_sum(y * tf.log(pred), reduction_indices=1))

# Gradient Descent
optimizer = tf.train.GradientDescentOptimizer(FLAGS.learning_rate).minimize(cost)

现在我做的是创建了一个名为adversarial的稍微改变过的图像数组，我将其反馈到模型中，以便进行预测。

如果我执行以下操作......

classification_adversarial = sess.run(tf.argmax(pred, 1), feed_dict={x:adversarial})
print(classification_adversarial)

>> [6, 6, 6, 6, 6, 6, 6, 6, 6, 6]

我得到了模型预测的输出。这是预期的输出，模型认为图像是6s。

无论如何，对于每个图像，我希望显示accuracy。因此，如果我提供一个图像，例如adversarial.reshape((1, 784))，我希望模型告诉我它的预测是多么准确，百分比。

我尝试实现以下内容以获得总体准确度......

# list of booleans to determine the correct predictions
correct_prediction = tf.equal(tf.argmax(pred, 1), np.array([6]*10))
print(correct_prediction.eval({x:adversarial}))

>> [True, True ... , True, True]

accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
print("Accuracy:", accuracy.eval({x: adversarial}))

>> Accuracy: 1.0

我的准确度为1.0。这是什么意思，我的模型100％准确？如果是这样的话，我一定是做错了。

Answer 1

要打印每张图片的置信度，您必须打印＆＃34; pred＆＃34;这是logits的softmax。
在您的情况下，仅对10张图像测量精度，并且在所有10种情况下模型都是正确的。因此，准确度为1.0

这有道理吗？如果您需要更多信息，请评论。

如何打印预测图像的置信度

1 个答案: