Question

我有一个csv文件，其中包含4行输出（前缀为_）和225行输入。其余的都很正常：

_y1,_y2,_y3,_y4,x1,x1,...,x225
[some assortment of 4 1s or 0s],[some random assortment of 1s or 0s]

使用下面的代码，我试图让它学习（不是真正的分类器），在给定输入的情况下y为1和0，并评估输入与预测以与训练集进行比较。我此刻并不担心过度训练。是的，我有1作为迭代计数，我知道需要更大，但直到我得到结果我期望（4维输出）我不在乎。

with open(filename, 'rU') as fin:
    reader = csv.DictReader(fin)
    reader.next()
    features = [name for name in reader.fieldnames if not name.startswith('_')]
    outputs  = [name for name in reader.fieldnames if     name.startswith('_')]
    lines = []
    for line in reader:
        lines.append(line)
x_true = [ [float(line[feature]) for feature in features] for line in lines]
y_true = [ [float(line[output]) for output in outputs] for line in lines ]
w_true = np.random.rand(len(features), 1) # init weights
b_true = np.random.rand(1) # init bias

x_in = tf.placeholder(tf.float32, [None, len(features)], "x_in")
w = tf.Variable(tf.random_normal((len(features), 1)), name="w")
b = tf.Variable(tf.constant(0.1, shape=[]), name="b")
h = tf.add(tf.matmul(x_in, w), b, name="h")
y_in = tf.placeholder(tf.float32, [None, len(outputs)], "y_in")
loss_op = tf.reduce_mean(tf.square(tf.subtract(y_in, h)), name="loss")
train_op = tf.train.GradientDescentOptimizer(0.3).minimize(loss_op)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for step in range(1):
        sess.run(train_op, feed_dict={
          x_in: x_true,
          y_in: y_true
        })

    w_computed = sess.run(w)
    b_computed = sess.run(b)

    pred = tf.add(tf.matmul(x_in, w), b)
    results = sess.run(pred, feed_dict={x_in: x_true})
    print "predictions", pred.eval({x_in: x_true})
    print len(x_true), len( results), [len(x) for x in results]

但是我有一些问题。第一个是我期望[225,4]输出，但我只从eval（）调用获得[255,1]输出。

接下来是我不确定如何评估单行？我应该使用估算器吗？如果我需要其他级别，如何将其转换为DNN？非常感谢提前。

Answer 1

你确实遇到了一些问题，我会尝试尽可能多地列出这里并提出一些可能的解决方案

输出数量错误

您将权重定义为(len(features), 1)矩阵，即行数组。当您将此与样本相乘时，您将获得1个值，而不是4。要获得4，您需要定义w形状(len(features), 4)和b形状(4)

评估单行

为此，您将批量大小设置为1.这意味着，假设row是一个包含您要处理的行的numpy数组，则需要传递feed_dict={x_in: row[None,:]}

估算器非常强大，但理解起来相当复杂。

如何添加其他级别？

手动，这是添加所有缺失的部分（激活功能，下一层的权重，偏见，激活等）的问题。这样做很无聊。幸运的是，存在tf.layers module，它具有密集，转换和更多等层的实现（请查看链接）。层是天生的模块，所以制作一个dnn只是堆叠tf.layer.dense()个对象的问题。

TensorFlow多维感知器

1 个答案:

输出数量错误

评估单行

如何添加其他级别？