我尝试获得预测和学习网络。
这是我的网络参数
X = tf.placeholder(tf.float32, shape=(None, X_train.shape[1]), name="input")
y = tf.placeholder(tf.float32, shape=(None, y_train.shape[1]), name="y")
y_cls = tf.argmax(y, axis=1)
weights = tf.Variable(tf.truncated_normal([X_train.shape[1], y_train.shape[1]], stddev=0.05), name="weights", trainable=True)
bias = tf.constant(1.0, shape=[y_train.shape[1]], name="bias")
layer = tf.nn.relu_layer(X, weights, bias, name="relu_layer")
layer_1 = tf.nn.relu(layer)
outs = tf.nn.relu(layer_1, name="outs")
y_pred = tf.argmax(outs, axis=1)
cross_entropy = tf.nn.softmax_cross_entropy_with_logits_v2(logits=layer_1, labels=y)
cost = tf.reduce_mean(cross_entropy)
acc = tf.cast(tf.equal(y_pred, y_cls), tf.float16)
predicted = tf.reduce_sum(acc)
learning_rate = 1e-3
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate)
training_op = optimizer.minimize(cost)
并尝试获得预测
n_epochs = 100
batch_size = 500
n_batches = int(np.ceil(1000 / batch_size))
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
optimize(sess, training_op, X_train, X_test, y_train, y_test, epoch=20)
print(sess.run(y_pred, feed_dict={X: X_test}))
但它返回一个错误
ValueError: setting an array element with a sequence.
我也试着改用y_pred也outs和layer_1，但它也返回此错误。
我怎样才能解决这个问题并获得预测值？
您的代码存在多个问题，我认为您在此处发布的错误是最不重要的错误之一。
让我们来看看你的代码，让我评论一些事情。我希望这比仅仅修复单个ValueError.
您从定义两个占位符变量开始X，y然后定义一个新的张量y_cls作为argmaxof y。由此我怀疑这y是单热编码的地面实况类向量的集合（批处理的第一轴）。
然后你继续定义权重和偏差。对于权重，您选择tf.Variable而对于您使用的偏差tf.constant。我不认为这是故意的，您实际上希望偏差是不可训练的。所以请注意：如果您使用tf.constant，您将创建一个将来无法更改的常量值。因此，在训练期间不会更新偏差张量。请阅读 tensorflow 中的变量和常量。这个问题可能是一个开始：TensorFlow Variables and Constants
现在定义第一层：
layer = tf.nn.relu_layer(X, weights, bias, name="relu_layer")
此处发生的情况如下：对于批次中的每个x长度向量，都会计算X_train.shape[1]该值u=x*W+b，并将此结果传递给relu函数，该函数基本上将所有值 <0 设置为零，而其他所有内容保持原样。所以你的输出是z=max(0,x*W+b)在元素上取最大值的地方。输出z具有 shape (y_train.shape[1],)。layer您定义的张量的输出tf.nn.relu_layer具有形状(None, y_train.shape[1])以说明批量大小。
然后你定义“有趣”的东西：
layer_1 = tf.nn.relu(layer)
outs = tf.nn.relu(layer_1, name="outs")
换种说法，你计算layer_1 = max(0,layer) = max(0,max(0,x*W+b)). 因为 relu 函数是幂等的，所以这根本没有影响（除了创建更大的计算图）。所以 中的所有数字layer_1都与 中的相同layer。然后，您再次使用outs. Soouts与layer_1and相同layer。
然后你继续添加另一个激活函数：softmax。这个函数的应用有点隐蔽，因为它与cross_entropy计算同时发生。至少可以说，以这种方式结合 relu 激活（或三个）和 softmax 是“非常规的”。有趣的是，您使用layer_1作为logits参数而不是layeror outs。
当您计算准确度时，您将输出转换tf.equal(y_pred, y_cls)为 float16。为什么是 float16？tf.equal返回一个 bool 类型并使用此掩码进行计算，您肯定必须对其进行转换。但是如果你只想要总和，那么转换为 anint似乎更合理。但是，我怀疑您并不真正想要将总和作为您的“准确度”，而是将真阳性率与呈现样本总数的比率。看看tf.metrics.accuracy！
在第二个代码片段中，您调用了一些optimize我们不知道其源代码的函数。
optimize(sess, training_op, X_train, X_test, y_train, y_test, epoch=20)
我希望您使用作为训练数据和地面实况标签运行您的training_opfor n_epochs（但您将 epoch=20 传递给此函数）。为什么你还通过和训练方法，我不真正理解，因为通常你想在两个不同的步骤中保持训练和测试。X_trainy_trainX_testy_test
最后你打电话sess.run(y_pred, feed_dict={inp: X_test})。在 feed_dict 中，您为占位符分配inp的值X_test。但是，您inp之前未定义占位符，因此无法运行此代码。我假设您想X_test用作网络的输入，因此将其用作X您在开始时定义的占位符的值。
我强烈建议你阅读更多关于神经网络以及如何构建它们并阅读一些 tensorflow 教程。
然后修改您的整个代码，并在遇到麻烦时随时提出新问题。
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句