Tensorflow MNIST初学者需要一些理解评估步骤

Question

我通过Tensorflow中的基本示例来评估训练模型。以下是它的说法：

accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))

我没有遵循此代码，受过培训的模型＆＃39 ;?还是 tf.reduce_mean（....）？检查训练有素的模型。

Answer 1

正如“Guy Coder”所说，也许你应该在开始使用tensorflow之前检查其他在线资源或MOOC。

但无论如何，也许你会对此有更清晰的了解......

在tensorflow中训练模型有两个部分。

1. 首先，使用不同的图层和变量声明模型的结构。 Tensorflow将制作一个图表，但尚未发生任何计算。
2. 然后你要求tensorflow“运行”并优化模型。你在这里做的是告诉tensorflow你想减少交叉熵，或者你定义的任何损失函数，所以你提供输入数据和图形需要计算的标签。

在此之后，你想出了一个训练有素的模特。也许你会想要保存模型并在以后重复使用它，但这是另一个故事。

因此，在培训期间或完成后，您可以致电print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))。

这是告诉tensorflow使用图表和变量的当前值计算精度（也许你正处于训练中）。并且您正在为图像和标签提供此精度功能。 Tensorflow将采用x值并尝试预测y_，准确度将取决于他的表现。

与训练模型的连接来自correct_prediction函数，该函数应将正确的输出与模型的预测进行比较，即 y_ vs y

希望这有帮助

修改

我会根据你的评论回答，但请注意你的问题解释得很差......正如S_kar指出的那样

要保存模型，请按以下方式执行：

# model declared before this line
with tf.Session() as sess:
    # Merge all the summaries and write them out to /tmp/tf
    merged = tf.merge_all_summaries()
    writer = tf.train.SummaryWriter("/tmp/tf", sess.graph_def)
    tf.initialize_all_variables().run()

    saver = tf.train.Saver()

    """
    train the model...
    """

    print "Model succesfuly trained"

    # now save the model in a subdirectory called "model"
    checkpoint_path = os.getcwd() + "/model/model.ckpt"
    saver.save(sess, checkpoint_path)
    print "Model saved"

要将模型外观恢复为this question