Question

我正在尝试使用TensorFlow来掌握它。尝试通过从CSV文件而不是图像中读取行来创建基本MNIST示例的版本。我根据MNIST示例和CSV馈送器示例将代码拼接在一起。

我的CSV每行中的前100个单元格代表＆＃34;图像＆＃34;一个数字，同一行中接下来的10个单元格表示＆＃34;标签＆＃34;识别该图像，类似于MNIST示例中的标签。

我试图打印TensorFlow实际估计通过打印实际标签和＆＃34;猜测＆＃34;在CSV线上每次迭代期间的数量。每次迭代并排输出。但看起来我实际打印的内容都是真正的标签，因为y变量要求我提供当前x值来替换x占位符。

如何打印猜测，而不是每次迭代的实际标签？

我的代码如下所示：

fileName = 'TEST_data/TFTest.csv'

filename_queue = tf.train.string_input_producer([fileName])

reader = tf.TextLineReader()
key, value = reader.read(filename_queue)

rDefaults = []
for i in range(0,110):
  rDefaults.append((list([0])))

data = tf.decode_csv(value, record_defaults=rDefaults)
fPack = tf.slice(data, [0], [100])
lPack = tf.slice(data, [100], [10])

features =  tf.pack(fPack)
label = tf.pack(lPack)

x = tf.placeholder(tf.float32, [None, 100])
W = tf.Variable(tf.zeros([100, 10]))
b = tf.Variable(tf.zeros([10]))
y = tf.matmul(x, W) + b

y_ = tf.placeholder(tf.float32, [None, 10])

cross_entropy = tf.reduce_mean(
      tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y))
train_step = tf.train.GradientDescentOptimizer(.5).minimize(cross_entropy)

with tf.Session() as sess:
    init = tf.initialize_all_variables()
    sess.run(init)
    coord = tf.train.Coordinator()
    threads = tf.train.start_queue_runners(coord=coord)
    i = 0
    for i in range(10):
        f, l = sess.run([features, label])
        f1 = np.reshape(f, (-1, 100))
        l1 = np.reshape(l, (-1, 10))
        sess.run(train_step, feed_dict={x: f1, y_: l1})
        if i%1==0:
            print(sess.run(tf.argmax(l1, 1)))
            print(sess.run(tf.argmax(y, 1), feed_dict={x: f1}))
            print('********')
        i = i + 1

    coord.request_stop()
    coord.join(threads)

Answer 1

此行返回softmax y

内最高值的索引

int UserId = WebSecurity.CurrentUserId;

如果要打印此类值，则必须获取该索引处的值。

print(sess.run(tf.argmax(y, 1), feed_dict={x: f1}))

如果我理解你的问题。

TensorFlow：每次迭代的打印输出值

1 个答案: