张量流实数

Question

我写了一个基于这个Tensorflow example 的代码。我面临的问题是，我得到的准确度没有任何意义（要么是1，要么是0），所以我的问题是我在这里遗漏了什么？在

import tensorflow as tf
import  numpy as np
import  csv
import os


#defining  batch fuuntion

def batch(iterable, n=1):
    l = len(iterable)
    for ndx in range(0, l, n):
        yield iterable[ndx:min(ndx + n, l)]


os.environ['TF_CPP_MIN_LOG_LEVEL'] = '3'
Training_File = 'Training.csv'
Test_File     = 'Test.csv'
numberOFClasses = 19
batchSize = 19

# read training data
filePointer  = open(Training_File, 'r', newline='')
reader = csv.reader(filePointer)
Training_Data   = []
Training_Labels = []
row = next(reader)
len(row)
#### Getting Training_Data and labels
for  row in reader:
    Training_Data.append(row[:-2])
    Training_Labels.append(row[-1])
# close TrainingFile  and  getting Data and labels from Test
len(Training_Data)
filePointer.close();

filePointer =open(Test_File, 'r', newline='')
reader  =   csv.reader(filePointer)
Test_Data = []
Test_Labels=[]
row = next(reader)

for row in reader:
    Test_Data.append(row[:-2])
    Test_Labels.append(row[-1])
len(Test_Labels)
filePointer.close()
len(Training_Data[0])



x = tf.placeholder('float',[None,len(row[:-2])])
w = tf.Variable(tf.zeros([len(row[:-2]),numberOFClasses]))
b = tf.Variable(tf.zeros([numberOFClasses]))
model = tf.add(tf.matmul(x,w),b)
y_ = tf.placeholder(tf.float32,[None,numberOFClasses])
y =  tf.nn.softmax(model)

cross_entropy= -tf.reduce_sum(y_*tf.log(y),reduction_indices=[1])
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
sess = tf.Session()
sess.run(tf.global_variables_initializer())
index =0
batch_xs = []
batch_ys = []
batch_txs= []
batch_tys= []
# Training processing


for i in batch(Training_Data,batchSize):
    batch_xs.append(i)
for i in batch(Training_Labels,batchSize):
    batch_ys.append(i)

for i in batch(Test_Data,batchSize):
    batch_txs.append(i)
for i in batch(Test_Labels,batchSize):
    batch_tys.append(i)


#print(np.reshape(batch_ys[len],(1,batchSize)))
for i in range(len(batch_xs) -1 ):
    sess.run(train_step,feed_dict={x:batch_xs[i],y_:np.reshape(batch_ys[i],(1,batchSize))})



correct_prediction = tf.equal(tf.arg_max(y,1),tf.arg_max(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction,"float"))
for i in range(len(batch_txs) -1):
    print(sess.run(accuracy,feed_dict={x:batch_txs[i],y_:np.reshape(batch_tys[i],(1,batchSize))}))

更新 我改变了批次的大小：

^{pr2}$

结果还是一样，所以我没有得到我所缺少的

2重复

运行这部分代码： 对于范围内的j（长度（批次×x）-1）： 打印(sess.运行（训练步骤，进纸步骤={x:batch_xs[j]，y\np.重塑（批次[j]，（numberOFClasses，3））}）

传递了一个巨大的错误消息，但我想这部分是相关的：

InvalidArgumentError (see above for traceback): Incompatible shapes: [19,3] vs. [57,19]
 [[Node: mul = Mul[T=DT_FLOAT, _device="/job:localhost/replica:0/task:0/cpu:0"](_recv_Placeholder_1_0, Log)]]

因此，由于我的批处理大小是树乘以类的数量，所以我应该得到57个预测->；Y\。在

Y形进给的成形[57,1]

对于范围内的j（长度（批次×x）-1）： 打印(sess.运行（训练步骤，进纸步骤={x:batch_xs[j]，y\np.重塑（批次[j]，（batchSize，1））}）

打印输出None作为返回值，但是没有错误，这（我想）是可以的。在

但是运行精度部分可以得到1和0，正如前面提到的。在

测试和列车数据和标签100%正确！在

以下是CSV文件结尾部分：

Answer 1

它不可能是您的问题或错误的根源，但我认为，如果您想获取除一个索引之外的所有索引，则行[：-2]的所有出现都应该被行[：-1]替换（Python排除了在row[begin:end]中给定的索引end）

你应该有：

y_ = tf.placeholder(tf.float32,[None,numberOFClasses])
...
sess.run(train_step,feed_dict={x:batch_xs[i],y_:np.reshape(batch_ys[i],(batchSize, numberOFClasses ))})
...
print(sess.run(accuracy,feed_dict={x:batch_txs[i],y_:np.reshape(batch_tys[i],(batchSize, numberOFClasses ))}))

无论如何，您应该明确地使用batch_size != numberOFClasses，因为它会抛出一个错误，您可以用它来理解代码中的错误。如果不这样做，您将丢失异常消息，但错误仍然存在，隐藏（您的网络仍然无法了解您想要的内容）。当你得到错误时，看看是哪个形状造成了问题，并试着理解原因（看看形状是什么，应该是什么）

Answer 2

从您的代码示例中，不可能准确地判断（至少batch（）和batchSize确实缺失），但我的猜测是，您的批大小为1（无论是否有意），因此您可以获得一个精度（如果样本预测正确）或零（如果样本被错误分类）。为了获得有意义的精确度，您需要对较大的批次进行评估。在