Question

我对神经网络很陌生，这就是为什么我决定使用Tflearn的原因，因为它非常直观。但是我找不到我的问题的答案。 tflearn文档提供了以下示例，可让深度神经网络预测某些内容：

network = ...
model = DNN(network)
model.load('model.tflearn')
model.predict(X)

我在网络内插入了一些批处理规范化层，因为我的模型似乎过拟合了。 model.predict（）是否会自动“告诉”批处理规范化层，使其不像训练阶段那样？还是我必须以某种方式指定此 tflearn.config.is_training (is_training=False, session=None)？

如果是，您知道我应该把这行放在哪里吗？以及如何创建会话，使其像我的代码一样执行。目前，它基本上看起来像是tflearn.org中的示例：

net = tflearn.input_data(shape=[None, 784])
net = tflearn.fully_connected(net, 64)
net = tflearn.dropout(net, 0.5)
net = tflearn.fully_connected(net, 10, activation='softmax')
net = tflearn.regression(net, optimizer='adam', 
loss='categorical_crossentropy')

model = tflearn.DNN(net)
model.fit(X, Y)

除了使用批处理规范化层并且使用神经网络进行函数逼近外。不幸的是，由于它位于另一台计算机上，所以我现在无法发布代码，但实际上基本上是相同的。

有人可以帮我解决这个问题吗？

谢谢！

Answer 1

在进行训练和预测时，需要将tflearn.is_training设置为True或False，tflearn将负责其余的工作。定义模型后，您可以通过以下方式对其进行训练：

with tf.Session() as sess:
    tflearn.is_training(True, session=sess)
 model.fit(X, Y)

然后使用以下方法进行预测：

with tf.Session as sess:
    tflearn.is_training(False, session=sess)
model.predict(X)

预测时，tflearn.models.dnn.DNN是否会自动关闭辍学层并进行批量归一化？

1 个答案: