Question

我有这段代码来计算来自我的convnet的输出预测的softmax函数。

pred = conv_net(x, weights, biases, keep_prob, batchSize)

softmax = tf.nn.softmax(pred)

我的预测数组的形状[batch_size，number_of_classes] = [128,6] 此数组的示例行是......

[-2.69500896e+08   4.84445800e+07   1.99136800e+08   6.12981480e+07
2.33545440e+08   1.19338824e+08]

运行softmax函数后，我将得到一个热编码数组的结果......

[ 0  0  0  0  1  0 ]

我认为这是因为我正在采用非常大的值的指数。我只是想知道我是做错了什么，还是应该在应用softmax函数之前先缩放我的值。我的损失功能是

cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(pred, y))

我正在使用Adam Optimizer最小化这个

optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)

我的网络能够很好地学习。

我应用softmax函数的理由是获得测试数据上每个类的概率值。

修改

似乎为我的softmax函数修复了这些非常大的值我应该添加规范化和正则化。我已经添加了我的convnet的设计代码，任何关于在哪里放置正则化和规范化的帮助都会很棒。

# Create model
def conv_net(x, weights, biases, dropout, batchSize):

# Reshape input picture
x = tf.reshape(x, shape=[-1, 150, 200, 1])   
x = tf.random_crop(x, size=[batchSize, 128, 192, 1])

# Convolution Layer 1
conv1 = conv2d(x, weights['wc1'], biases['bc1'])
# Max Pooling (down-sampling)
conv1 = maxpool2d(conv1, k=2)

# Convolution Layer 2
conv2 = conv2d(conv1, weights['wc2'], biases['bc2'])    
# Max Pooling (down-sampling)
conv2 = maxpool2d(conv2, k=2)  

# Convolution Layer 3  
conv3 = conv2d(conv2, weights['wc3'], biases['bc3'])
# Max Pooling (down-sampling)
conv3 = maxpool2d(conv3, k=2)

# Convolution Layer 4
conv4 = conv2d(conv3, weights['wc4'], biases['bc4'])
# Max Pooling (down-sampling)
conv4 = maxpool2d(conv4, k=2)

# Convolution Layer 5
conv5 = conv2d(conv4, weights['wc5'], biases['bc5'])
# Max Pooling (down-sampling)
conv5 = maxpool2d(conv5, k=2)

# Fully connected layer
# Reshape conv5 output to fit fully connected layer input
fc1 = tf.reshape(conv5, [-1, weights['wd1'].get_shape().as_list()[0]])
fc1 = tf.add(tf.matmul(fc1, weights['wd1']), biases['bd1'])
fc1 = tf.nn.relu(fc1)

# Apply Dropout
fc1 = tf.nn.dropout(fc1, dropout)

# Output, class prediction
out = tf.add(tf.matmul(fc1, weights['out']), biases['out'])

return out

Answer 1

单热编码阵列问题可能由于多种原因而发生：

重量初始化太大（尝试用较小的比例初始化权重，如stddev = 1e-2）
为所有权重Ej添加正则化到损失函数：

cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_true,logits=y_conv)+beta*tf.nn.l2_loss(W_conv1) +beta*tf.nn.l2_loss(W_conv2) +beta*tf.nn.l2_loss(W_fc1)+beta*tf.nn.l2_loss(W_fc2))
添加辍学
将丢失与一些L2 / L1正则化技术相结合

Answer 2

你非常需要一些正规化。您的输出大约为10 ^ 8。通常，我们处理的数字要小得多。如果你添加更多的正则化，你的分类器就不会对所有事情都如此肯定，并且它不会给出看起来像热门编码的输出。

Tensorflow softmax函数返回单热编码数组

2 个答案: