Question

我正在尝试编写一个神经网络，它接受输入功能并返回输出。但是，我想检查一下＆＃34;正确性＆＃34;通过将输出与实际输出进行比较来获得NN。同时，我想允许该指标考虑输出的不确定性。让我们说如果预测输出与实际输出相距1个单位，则将预测输出计为正确。

代码意图：检查是否| x-y |小于等于1，如果这样，则计算所有出现的情况。基本上我可以知道有多少案例是真的。

以下是代码，

correct = tf.reduce_sum(tf.cast(tf.less_equal(tf.abs(x - y), 1), tf.int32))
correct.eval({x: predicted_output, y = real_output})

当我将一个小列表传递给字典（下面的代码）时，我可以得到正确的结果：

{x: [1,2,3,4,5], y: [1,2,3,1,1,]}

然而，当我通过预测输出和实际输出 长度10 000 时，有时返回值更多比 10 000。

假设返回值必须小于10 000，我是否正确？如果是，那么我犯的错误会导致返回值超过10 000？

已编辑以包含完整代码：

def neural_network_model(data):
 hidden_1_layer = {"weights": tf.Variable(tf.random_normal([n_input, n_nodes_hl1])),
                  "biases": tf.Variable(tf.random_normal([n_nodes_hl1]))}
 hidden_2_layer = {"weights": tf.Variable(tf.random_normal([n_nodes_hl1, n_nodes_hl2])),
                  "biases": tf.Variable(tf.random_normal([n_nodes_hl2]))}
 hidden_3_layer = {"weights": tf.Variable(tf.random_normal([n_nodes_hl2, n_nodes_hl3])),
                  "biases": tf.Variable(tf.random_normal([n_nodes_hl3]))}
 output_layer = {"weights": tf.Variable(tf.random_normal([n_nodes_hl3, n_output])),
                  "biases": tf.Variable(tf.random_normal([n_output]))}

 l1 = tf.add(tf.matmul(data, hidden_1_layer["weights"]), hidden_1_layer["biases"])
 l1 = tf.nn.relu(l1)

 l2 = tf.add(tf.matmul(l1, hidden_2_layer["weights"]), hidden_2_layer["biases"])
 l2 = tf.nn.relu(l2)

 l3 = tf.add(tf.matmul(l2, hidden_3_layer["weights"]), hidden_3_layer["biases"])
 l3 = tf.nn.relu(l3)

 output = tf.matmul(l3, output_layer["weights"]) + output_layer["biases"]

 return output

prediction = neural_network_model(x)
correct = tf.reduce_sum(tf.cast(tf.less_equal(tf.abs(prediction - y), 1), tf.int32))
correct.eval({x: val_features, y: val_label})

Answer 1

找到错误的来源。

在这种情况下，val_label来自一个名为 data 的较大的numpy数组。标签位于数据数组的最后一列。

val_label = data[:, -1]

这显然返回了一个维度（10000）的数组，它是一个向量

当将其与尺寸为（10 000,1）的val_labels张量进行比较时，发生了错误。

修复是为了确保val_label数组具有维度（10 000,1），这样做是这样的：

val_label = data[:, -1:]

或：

val_label = data[:, -1]
val_label = val_label.reshape((-1,1))

重新评估张量流图将返回正确的预期输出

返回大于预期值的tf.reduce_sum

1 个答案: