Tensorflow预测总是相同的结果

Johnny000 发表于 Dev

约翰尼000

我正在尝试使用自己的数据运行TensorFlow示例，但是以某种方式分类器始终为每个测试示例选择相同的类。输入数据始终先洗牌。我有约4000张图像作为训练集，有500张图像作为测试集。

我得到的结果看起来像：

Result: [[ 1.  0.]] Actually: [ 1.  0.] 
Result: [[ 1.  0.]] Actually: [ 0.  1.] 
Result: [[ 1.  0.]] Actually: [ 1.  0.] 
Result: [[ 1.  0.]] Actually: [ 1.  0.] 
Result: [[ 1.  0.]] Actually: [ 0.  1.] 
Result: [[ 1.  0.]] Actually: [ 0.  1.]
...

右侧保留所有500张图像[1. 0.]。分类是二进制的，所以我只有两个标签。

这是我的源代码：

import tensorflow as tf
import input_data as id

test_images, test_labels = id.read_images_from_csv(
    "/home/johnny/Desktop/tensorflow-examples/46-model.csv")

train_images = test_images[:4000]
train_labels = test_labels[:4000]
test_images = test_images[4000:]
test_labels = test_labels[4000:]

print len(train_images)
print len(test_images)

pixels = 200 * 200
labels = 2

sess = tf.InteractiveSession()

# Create the model
x = tf.placeholder(tf.float32, [None, pixels])
W = tf.Variable(tf.zeros([pixels, labels]))
b = tf.Variable(tf.zeros([labels]))
y_prime = tf.matmul(x, W) + b
y = tf.nn.softmax(y_prime)

# Define loss and optimizer
y_ = tf.placeholder(tf.float32, [None, labels])
cross_entropy = tf.nn.softmax_cross_entropy_with_logits(y_prime, y_)
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

# Train
tf.initialize_all_variables().run()
for i in range(10):
    res = train_step.run({x: train_images, y_: train_labels})
# Test trained model
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
print(accuracy.eval({x: test_images, y_: test_labels}))

for i in range(0, len(test_images)):
    res = sess.run(y, {x: [test_images[i]]})
    print("Result: " + str(res) + " Actually: " + str(test_labels[i]))

我错过了一点吗？

您的代码中存在三个潜在的问题：

权重W初始化为零。来自stats.stackexchange.com的这个问题很好地讨论了为什么这会导致不良的培训结果（例如陷入局部最低水平）。相反，您应该随机初始化它们，例如，如下所示：
```
W = tf.Variable(tf.truncated_normal([pixels, labels],
                                    stddev=1./math.sqrt(pixels)))
```
在cross_entropy将其最小化之前，应将其汇总为单个标量值，例如tf.reduce_mean()：
```
cross_entropy = tf.reduce_mean(
    tf.nn.softmax_cross_entropy_with_logits(y_prime, y_))
```

如果您在小型批次（甚至单个示例）上进行训练，而不是一次对整个数据集进行训练，则可能会获得更快的收敛速度：

for i in range(10):
        for j in range(4000):
            res = train_step.run({x: train_images[j:j+1],
                                  y_: train_labels[j:j+1]})

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。