Question

我正在研究机器学习。在我学习期间，我使用MNIST数据集找到了Tensorflow CNN代码。这里是我想知道的代码。

cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y_conv), reduction_indices=[1]))
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
sess.run(tf.global_variables_initializer())

for i in range(1000):
  batch = mnist.train.next_batch(100)
   if i%100 == 0:
     train_accuracy = accuracy.eval(feed_dict={
        x:batch[0], y_: batch[1], keep_prob: 1.0})
    print("step %d, training accuracy %g"%(i, train_accuracy))
  train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})

print("test accuracy %g"%accuracy.eval(feed_dict={
     x: mnist.test.images, y_: mnist.test.labels, keep_prob: 1.0}))

在这段代码中，我的问题是关于batch = mnist.train.next_batch（100）。当我搜索这个时，这意味着这是小批量并从MNIST数据集中随机选择100个数据。现在这是我的问题。

当我想用完整批次测试此代码时，我该怎么办？只需将mnist.train.next_batch（100）更改为mnist.train.next_batch（55000）？

Answer 1

是的，获得一批55000将在MNIST的所有数字上训练一个纪元。

请注意，这是一个坏主意：这可能不适合您的记忆。你必须保存55000位数的重量激活和渐变......你的Python很可能会崩溃！

通过对100张随机图像进行1000次训练，您可以获得很好的效果，而且您的计算机也很开心！

Tensorflow-如何将MNIST数据集与完整批次一起使用？

1 个答案: