我正在尝试使用TensorFlow(而不是Keras)重现Coursera ML课程的NN练习。
我发现使用tf.metrics.accuracy
计算准确性会导致结果低于计算时的准确性。
相关代码为:
accuracy, update_op = tf.metrics.accuracy(labels=y, predictions=tf.argmax(tf.sigmoid(output), axis=1))
...
# in session:
acc = sess.run(accuracy, feed_dict={tf_x: X, tf_y: y})
sess.run(update_op, feed_dict={tf_x: X, tf_y: y})
print(f'step {step} - accuracy: {acc}')
...
# real accuracy
predictions = sess.run(tf.argmax(tf.sigmoid(output), axis=1), feed_dict={tf_x: X})
pred_y = predictions == y
print(f'Training Set Accuracy after training: {np.mean(pred_y) * 100}%')
差异甚至可以达到30%(即acc为0.5,实际精度为0.8)
我做错什么了吗?
请注意,如果我这样做:
equal = tf.equal(tf.cast(tf.argmax(tf.sigmoid(output), 1), tf.int32), y)
acc_op = tf.reduce_mean(tf.cast(equal, tf.float32))
acc = sess.run(acc_op, feed_dict={tf_x: X, tf_y: y})
我得到相同的结果... tf.metrics.accuracy是否以其他方式计算?
答案 0 :(得分:1)
解决方案:首先致电sess.run(update_op, feed_dict)
,然后致电sess.run(accuracy)
。如果要补料一个新批次,并且希望该批次的精度 ,则必须首先重置一些隐藏的变量-工作流程如下:
accuracy, update_op = tf.metrics.accuracy(tf_labels, tf_predictions, scope="my_metrics")
running_vars = tf.get_collection(tf.GraphKeys.LOCAL_VARIABLES, scope="my_metrics")
running_vars_initializer = tf.variables_initializer(var_list=running_vars)
for i in range(num_batches):
# explicitly initialize/reset 'total' and 'count' to 0
sess.run(running_vars_initializer)
# feed labels and predictions at i-th batch to update_ops
feed_dict={tf_labels: y[i], tf_predictions: tf.argmax(tf.sigmoid(output[i]), axis=1)}
session.run(update_op, feed_dict=feed_dict)
# compute and print accuracy from current 'total' and 'count'
print('Batch {} accuracy: {}'.format(i, session.run(accuracy)))
tf.metrics.accuracy
利用两个运行时变量total
(正确预测的数量)和count
(馈送的标签数量)在后台进行本地初始化。一旦accuracy
被调用,update_op
仅被更新-步骤:
total
和count
初始化为零sess.run(update_op, feed_dict)
-> total
和count
每feed_dict
更新一次sess.run(accuracy)
-> accuracy
使用 current total
和count
来计算指标sess.run(accuracy, feed_dict)
-> accuracy
使用 current total
和count
来计算指标最后两句话是,feed_dict
实际上并没有改变accuracy
; accuracy
在total
和count
上运行,它们仅通过update_op
更新。最后,
sess.run(accuracy, ...)
不会 将total
和count
重置为0 这很大程度上就是为什么完全使用total
和count
的原因-为了实现可扩展性;通过保持运行历史记录,它可以一次性计算太大而无法放入内存的数据指标。
最后,您的占位符逻辑看起来很简单-您将数据馈送到tf_x
和tf_y
中,但是在tf.metrics.accuracy(...)
中的任何地方都找不到它们-但这很容易解决。