Question

我有以下培训网络，

graph = tf.Graph()
with graph.as_default():

    tf_train_dataset = tf.constant(X_train)
    tf_train_labels = tf.constant(y_train)
    tf_valid_dataset = tf.constant(X_test)

    weights = tf.Variable(tf.truncated_normal([X_train.shape[1], 1]))

    biases = tf.Variable(tf.zeros([num_labels]))
    logits = tf.nn.softmax(tf.matmul(tf_train_dataset, weights) + biases)

    loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits, tf_train_labels))
    optimizer = tf.train.GradientDescentOptimizer(0.5).minimize(loss)
    train_prediction = tf.nn.softmax(logits)
    valid_prediction = tf.nn.softmax(tf.matmul(tf_valid_dataset, weights) + biases)

我运行如下，

num_steps = 10

with tf.Session(graph=graph) as session: 
    tf.initialize_all_variables().run()
    print('Initialized')
    for step in range(num_steps):
        _, l, predictions = session.run([optimizer, loss, train_prediction])
        print("Loss: ",l)
        print('Training accuracy: %.1f' % sklearn.metrics.accuracy_score(predictions.flatten(), y_train.flatten()))

但它的结果如下：

Initialized
Loss:  0.0
Training accuracy: 0.5
Loss:  0.0
Training accuracy: 0.5

X_train的形状是（213403,25），y_train是（213403,1）以应对logits。我没有将标签编码为热点，因为只有两个类，1或0.我也尝试过二次丢失函数，它仍然是相同的，同样的事情发生了，损失函数没有降低所有。我在这里感觉到一个语法错误，但我一无所知。

Answer 1

您将标签作为单个列传递（不进行编码）。模型无法将标签作为因子类型。因此它将您的标签视为连续值。

损失：0.0表示损失为零。这意味着您的模型完全适合。发生这种情况是因为您的标签是连续的（回归函数），并且您正在使用softmax_cross_entropy_with_logits损失函数。

尝试传递一个标签的热编码并检查。

简单的张量流神经网络不会增加精度或减少损失？

1 个答案: