Question

在tensorflow中，模型是使用训练数据创建的，但我想知道如何使用训练数据计算测试数据的准确度。

     correct_prediction = tf.equal(tf.argmax(pred, 1),tf.argmax(y_train, 1))
     # Calculate accuracy
     accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
     print "Accuracy:", accuracy.eval({x1: X_test, y1: y_test})

correct_prediction用训练数据完成，而precision.eval（）用于传递测试数据集。请解释一下如何做到这一点。

Answer 1

在TensorFlow中，您可以创建一个图表，其中数据在节点之间流动，从输入到输出。

让我们举一个简单的例子，MNIST。以下是 TensorFlow节点：

输入：
- 一批28x28张图片：images形状[batch_size, 28, 28, 1]
- 图片标签：labels形状[batch_size, 10]
输出：
- 预测您的网络pred，形状[batch_size, 10]
- 模型的准确性：accuracy，形状[]（标量）

这是图表：

         images
           |
         (CNN)
           |
  labels  pred
       \   |
        \  |
  correct_prediction
           |
        accuracy

两个输入节点为tf.placeholder，这意味着您需要在其中手动输入值。

根据您是在训练还是测试模型，您可以提供：

进行培训：Feed images和labels，其中包含来自您数据的两个相应形状的numpy数组X_train和y_train
进行测试：Feed images和labels，其中包含两个numpy数组X_test和y_test 测试数据

使用这种架构，相同的图既可用于训练，也可用于测试。

区别在于：

在训练期间，您可能会进行列车操作sess.run(train_op, feed_dict={images: X_train, labels: y_train})

在测试期间，您不再训练模型并只计算准确度：sess.run(accuracy, feed_dict={images: X_test, labels: y_test})

计算列车数据的准确度如何用于评估张量流中的测试数据

1 个答案: