我遵循教程并可以浏览代码，该代码训练神经网络并评估其准确性。
但我不知道如何在新的单个输入（字符串）上使用训练过的模型来预测其标签。
你能告诉我们如何做到这一点吗？
教程：
会话代码：
# Launch the graph
with tf.Session() as sess:
sess.run(init)
# Training cycle
for epoch in range(training_epochs):
avg_cost = 0.
total_batch = int(len(newsgroups_train.data)/batch_size)
# Loop over all batches
for i in range(total_batch):
batch_x,batch_y = get_batch(newsgroups_train,i,batch_size)
# Run optimization op (backprop) and cost op (to get loss value)
c,_ = sess.run([loss,optimizer], feed_dict={input_tensor: batch_x,output_tensor:batch_y})
# Compute average loss
avg_cost += c / total_batch
# Display logs per epoch step
if epoch % display_step == 0:
print("Epoch:", '%04d' % (epoch+1), "loss=", \
"{:.9f}".format(avg_cost))
print("Optimization Finished!")
# Test model
correct_prediction = tf.equal(tf.argmax(prediction, 1), tf.argmax(output_tensor, 1))
# Calculate accuracy
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
total_test_data = len(newsgroups_test.target)
batch_x_test,batch_y_test = get_batch(newsgroups_test,0,total_test_data)
print("Accuracy:", accuracy.eval({input_tensor: batch_x_test, output_tensor: batch_y_test}))
我有一些Python的经验，但基本上没有Tensorflow的经验。
答案 0 :(得分：3)
Tensorflow使用声明式编程风格。您需要声明您希望它执行的操作，然后才能调用它的run或eval函数。
1）如果您想对模型进行一些交互式修补，则需要打开Session处理程序。将第一行替换为：
# Launch the graph
sess = tf.Session()
with sess.as_default():
.......
原始代码会关闭会话，您无法继续使用已训练的模型。
当您不需要它来释放分配给TF的资源时，不要忘记调用sess.close()。
2）现在您必须将要分类的文本转换为数字张量表示。在原始代码中，它使用get_batch()完成。遵循相同的模式。
3）声明结果。您的模型与变量prediction相关联。
4）调用TF。 所以最终的代码如下：
texts = ['''By '8 grey level images' you mean 8 items of 1bit images?
It does work(!), but it doesn't work if you have more than 1bit
in your screen and if the screen intensity is non-linear.''',
'''Wanted: Shareware graphics display program for DOS.
Distribution: usa\nOrganization: University of Notre Dame, Notre Dame
Lines: 16 I need a graphics display program that can take as a parameter the name of
the file to be displayed, then just display that image and then quit.
All of the other graphics display programs come up with a menu first or some other silliness.
This program is going to be run from within another program. '''
]
# convert texts to tensors
batch = []
for text in texts:
vector = np.zeros(total_words,dtype=float)
for word in text.split(' '):
if word in word2index:
vector[word2index[word.lower()]] += 1
batch.append(vector)
x_in = np.array(batch)
# declare new Graph node variable
category = tf.argmax(prediction,1) # choose by maximum score
# run TF
with sess.as_default():
print("scores:", prediction.eval({input_tensor: x_in}))
print('class:', category.eval({input_tensor: x_in}))
Out[]:
scores: [[-785.557 -781.1719 105.238686]
[ 554.584 -532.36383 263.20908 ]]
class: [2 0]
答案 1 :(得分：2)
需要将文本信息转换为某种数字形式以馈送到神经网络。所以上面的代码实现了以下功能：
vocabulary：首先使用训练+文本集形成具有唯一标记的所有单词的字典。在代码中，word2index为给定单词提供唯一标记。例如，word2index['the']会提供令牌输出10。
注意： word2index的长度给出了字典总数，并将其用作上述网络中的要素尺寸。
给定一个新的输入字符串，每个单词都使用word2index字典转换为标记，这些标记用于填充特征向量（字典大小），频率为该特定指数的出现。执行此操作的代码部分：
input = 'Your string ....'
#form the input feature should be size of the dictionary len(vocab)
feature = np.zeros(len(vocab),dtype=float)
#Split each word and then get the token.
#Use this token as the index to feature vector to update the frequency of occurrence.
for word in input.split(' '):
feature[word2index[word.lower()]] += 1
上面的代码应该用于在给定文本字符串的情况下生成网络输入。
上面的代码有问题，一个特别的问题是：它没有处理词汇单词（OOV）。你可以找到解决该问题的详细信息here。
答案 2 :(得分：2)
首先我们需要将文本转换为数组：
def text_to_vector(text):
layer = np.zeros(total_words,dtype=float)
for word in text.split(' '):
layer[word2index[word.lower()]] += 1
return layer
# Convert text to vector so we can send it to our model
vector_txt = text_to_vector(text)
# Wrap vector like we do in get_batches()
input_array = np.array([vector_txt])
我们可以保存并加载模型以供重用。我们首先创建一个Saver对象然后保存会话（在训练模型之后）：
saver = tf.train.Saver()
... train the model ...
save_path = saver.save(sess, "/tmp/model.ckpt")
在示例模型中，最后一步＆＃34;步骤＆＃34;在模型体系结构中（即在multilayer_perceptron方法中完成的最后一件事）是：
'out': tf.Variable(tf.random_normal([n_classes]))
因此，要获得预测，我们得到此数组的最大值索引（预测类）：
saver = tf.train.Saver()
with tf.Session() as sess:
saver.restore(sess, "/tmp/model.ckpt")
print("Model restored.")
classification = sess.run(tf.argmax(prediction, 1), feed_dict={input_tensor: input_array})
print("Predicted category:", classification)
您可以在此处查看整个代码：https://github.com/dmesquita/understanding_tensorflow_nn