问题部分：

Question

我一直在尝试使用训练/测试数据像往常一样训练模型。我能够获得我的准确性，成本+有效准确性和成本。因此，我认为该模型可以正常工作，并且结果足以达到85％。

现在，在完成训练/测试数据后，我有了一个csv文件，该文件具有相同的数据类型和结构，但没有一列（默认值-表示客户是否要付款或延迟付款）。我正在尝试通过模型预测此值。我正在寻找如何插入这些数据并找回缺少的列的方法。

问题部分：

这是我用于恢复和预测新数据的代码->（y_pred [5100x41]）

with tf.Session() as sess:
    saver = tf.train.import_meta_graph('my_test_model101.meta')
    print("Model found.")

    saver.restore(sess, tf.train.latest_checkpoint('./'))
    print("Model restored compl.")

    z = tf.placeholder(tf.float32, shape= (None,5100))

    y_pred= y_pred.as_matrix()

    output =sess.run(z,feed_dict={x: y_pred})
    print(output)

有人可以帮助我了解我在做什么错吗？！！！

错误消息是：

InvalidArgumentError (see above for traceback): You must feed a value for placeholder tensor 'Placeholder_4' with dtype float and shape [?,5100]
     [[Node: Placeholder_4 = Placeholder[dtype=DT_FLOAT, shape=[?,5100], _device="/job:localhost/replica:0/task:0/device:CPU:0"]()]]

期望：

我的输入[5100 x 41]，但最后一列最初具有Nan值，我希望它具有应该为0或1的预测值。

要查看经过训练的模型架构：

模型体系结构：

# Number of input nodes.
input_nodes = 41

# Multiplier maintains a fixed ratio of nodes between each layer.
mulitplier = 3

# Number of nodes in each hidden layer
hidden_nodes1 = 41
hidden_nodes2 = round(hidden_nodes1 * mulitplier)
hidden_nodes3 = round(hidden_nodes2 * mulitplier)

# Percent of nodes to keep during dropout.
pkeep = tf.placeholder(tf.float32)

# input
x = tf.placeholder(tf.float32, [None, input_nodes])

# layer 1
W1 = tf.Variable(tf.truncated_normal([input_nodes, hidden_nodes1], stddev = 0.15))
b1 = tf.Variable(tf.zeros([hidden_nodes1]))
y1 = tf.nn.sigmoid(tf.matmul(x, W1) + b1)

# layer 2
W2 = tf.Variable(tf.truncated_normal([hidden_nodes1, hidden_nodes2], stddev = 0.15))
b2 = tf.Variable(tf.zeros([hidden_nodes2]))
y2 = tf.nn.sigmoid(tf.matmul(y1, W2) + b2)

# layer 3
W3 = tf.Variable(tf.truncated_normal([hidden_nodes2, hidden_nodes3], stddev = 0.15))
b3 = tf.Variable(tf.zeros([hidden_nodes3]))
y3 = tf.nn.sigmoid(tf.matmul(y2, W3) + b3)
y3 = tf.nn.dropout(y3, pkeep)

# layer 4
W4 = tf.Variable(tf.truncated_normal([hidden_nodes3, 2], stddev = 0.15))
b4 = tf.Variable(tf.zeros([2]))
y4 = tf.nn.softmax(tf.matmul(y3, W4) + b4)

# output
y = y4
y_ = tf.placeholder(tf.float32, [None, 2])

建立模型后，我了解您需要添加占位符以库存您想要的东西。因此：

# Parameters
training_epochs = 5 # These proved to be enough to let the network learn
training_dropout = 0.9
display_step = 1 # 10
n_samples = y_train.shape[0]
batch_size = 2048
learning_rate = 0.001

# Cost function: Cross Entropy
cost = -tf.reduce_sum(y_ * tf.log(y))

# We will optimize our model via AdamOptimizer
optimizer = tf.train.AdamOptimizer(learning_rate).minimize(cost)

# Correct prediction if the most likely value (default or non Default) from softmax equals the target value.
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

到现在，一切正常，我保存了模型。我能够还原此模型（打印出变量，并且所有内容都在这里---所以还原就可以了）

Answer 1

占位符'z'中没有任何内容，也没有分配任何内容。因此，当您运行会话时，无需执行任何操作，因为“ z”不依赖于模型中的任何内容。我想你要

import javax.jms.Queue;

import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.jms.core.JmsTemplate;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.PathVariable;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RestController;

@RestController
@RequestMapping("/rest/publish")
public class ProducerResource {

    @Autowired
    JmsTemplate jmsTemplate;

    @Autowired
    Queue queue;

    @GetMapping("/{message}")
    public String publishMessage(@PathVariable("message") final String message) {

        jmsTemplate.convertAndSend(queue, message);

        return "Published successfully";
    }

}

因为'y'是输出张量。

话虽如此，我认为您可能想阅读更多张量流所使用的流程图，以了解计算如何发生。当前，听起来好像您还不完全了解占位符变量。

如何提取张量流模型的输出？

问题部分：

错误消息是：

期望：

要查看经过训练的模型架构：

模型体系结构：

1 个答案: