我制作了使用$(document).ready(function() {
$(document).on('click','#btnExport',function (e) {
var myWindow = window.open('data:application/vnd.ms-excel,' + $('#dvData').html());
myWindow.document.title = 'mywindow';
e.preventDefault();
});
});
预测MNIST数据的模型
但它没有用。费用打印为tf.softmax
我知道使用nan就像这样
tf.nn.softmax_cross_entropy_with_logits我认为我的费用代码存在问题
我想知道为什么使用cost=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=hypothesis,labels=Y))+ (0.01 * l2reg)
的方法在神经网络上不起作用
而l2reg的改编是coorect ??
谢谢〜
tf.softmax答案 0 :(得分：0)
您遇到的问题正是tf.nn.softmax_cross_entropy_with_logits使用如此重要的原因：log操作本身的数值不稳定性。
解释：这里有一个相当大的网络，最终会对某些分类非常有信心。特别是，它最终会为特定类（例如，类1）的某些图像（例如，5的图片）分配极强低概率。那么logit将是非常负的，并且该高负值logit的tf.nn.softmax条目可以数字零（不完全为零，但是具有有限精度，它将被表示为零）。然后，当您自己计算log来计算交叉熵时，您将得到数值问题，从而产生nan值作为您的成本。函数tf.nn.softmax_cross_entropy_with_logits使用技巧来处理这一问题，以避免{/ 1}}和log在/溢出问题。这个技巧有时被称为 exp-normalize 技巧;请参阅this blog post（不是我写的;我只是认为这是一个明确的解释）以获取更多细节。
简而言之，请使用exp，不要尝试自己计算交叉熵。