В настоящее время я очень начинаю с TensorFlow и Deep Learning в целом, и я пытался создать довольно простую двухслойную нейронную сеть с функцией активации ReLU
для скрытого слоя и softmax
для выходного слоя. В частности, я тренировался по известному набору данных notMNIST, который имеет ту же форму, что и MNIST, но с более трудными примерами. Это было, как я ее решил (с помощью TensorFlow v1.0.0
):TensorFlow + Batch Gradient Descent: точность 0% для каждой партии, но сеть сходится?
batch_size = 128
hidden_nodes = 1024
graph = tf.Graph()
with graph.as_default():
tf_train_dataset = tf.placeholder(tf.float32,
shape=(batch_size, image_size * image_size))
tf_train_labels = tf.placeholder(tf.float32, shape=(batch_size, num_labels))
tf_valid_dataset = tf.constant(valid_dataset)
tf_test_dataset = tf.constant(test_dataset)
weights_ih = tf.Variable(tf.truncated_normal([image_size * image_size, hidden_nodes]))
biases_ih = tf.Variable(tf.ones([hidden_nodes])/10)
weights_ho = tf.Variable(tf.truncated_normal([hidden_nodes, num_labels]))
biases_ho = tf.Variable(tf.zeros([num_labels]))
logits = tf.matmul(tf_train_dataset, weights_ih) + biases_ih
hidden_layer_output = tf.nn.relu(logits)
output = tf.matmul(hidden_layer_output, weights_ho) + biases_ho
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=output, labels=tf_train_labels))
optimizer = tf.train.GradientDescentOptimizer(0.5).minimize(loss)
train_prediction = tf.nn.softmax(hidden_layer_output)
valid_prediction = tf.nn.softmax(tf.matmul(
tf.nn.relu(tf.matmul(tf_valid_dataset, weights_ih) + biases_ih),
weights_ho) + biases_ho)
test_prediction = tf.nn.softmax(tf.matmul(
tf.nn.relu(tf.matmul(tf_test_dataset, weights_ih) + biases_ih),
weights_ho) + biases_ho)
С помощью простого бегуна в этой моде:
num_steps = 5000
def accuracy(predictions, labels):
return (100.0 * np.sum(np.argmax(predictions, 1) == np.argmax(labels, 1))/predictions.shape[0])
with tf.Session(graph=graph) as sess:
tf.global_variables_initializer().run()
print("Initialized")
for step in range(num_steps):
offset = (step * batch_size) % (train_labels.shape[0] - batch_size)
batch_data = train_dataset[offset:(offset + batch_size), :]
batch_labels = train_labels[offset:(offset + batch_size), :]
feed_dict = {tf_train_dataset: batch_data, tf_train_labels: batch_labels}
_, l, predictions =\
sess.run([optimizer, loss, train_prediction], feed_dict=feed_dict)
if (step % 500 == 0):
print("Minibatch loss at step %d: %f" % (step, l))
print("Minibatch accuracy: %.1f%%" % accuracy(predictions, batch_labels))
print("Validation accuracy: %.1f%%" % accuracy(valid_prediction.eval(),
valid_labels))
print("Test accuracy: %.1f%%" % accuracy(test_prediction.eval(), test_labels))
я получаю эти результаты:
Initialized
Minibatch loss at step 0: 281.805603
Minibatch accuracy: 0.0%
Validation accuracy: 21.9%
Minibatch loss at step 500: 18.725670
Minibatch accuracy: 0.0%
Validation accuracy: 81.0%
Minibatch loss at step 1000: 13.720121
Minibatch accuracy: 0.0%
Validation accuracy: 81.2%
Minibatch loss at step 1500: 16.521467
Minibatch accuracy: 0.0%
Validation accuracy: 81.3%
Minibatch loss at step 2000: 4.905802
Minibatch accuracy: 0.0%
Validation accuracy: 80.7%
Minibatch loss at step 2500: 1.040669
Minibatch accuracy: 0.0%
Validation accuracy: 82.4%
Minibatch loss at step 3000: 2.731811
Minibatch accuracy: 0.0%
Validation accuracy: 80.6%
Minibatch loss at step 3500: 1.011298
Minibatch accuracy: 0.0%
Validation accuracy: 81.9%
Minibatch loss at step 4000: 1.432833
Minibatch accuracy: 0.0%
Validation accuracy: 82.7%
Minibatch loss at step 4500: 0.934623
Minibatch accuracy: 0.0%
Validation accuracy: 82.5%
Test accuracy: 89.6%
Как можно увидеть , точность микроавтобуса всегда0%
, но потери в мини-баре снижаются, и точность проверки идет u п. Кажется, модель «работает», но я думаю, что происходит что-то еще, что указывает на большую проблему. Внезапный прыжок после 500 эпох также вызывает подозрение. Поскольку у меня нет большой интуиции для этого, я пробовал различные поверхностные вещи, такие как изменение скорости обучения и размера партии, но они ничего не делали с этой постоянной точностью 0%.
Было бы очень признательно, если бы кто-то более опытный в TensorFlow мог сказать мне, что может быть причиной этого, поэтому я могу научиться избегать этого в будущем.
Заранее благодарен!
Милостивый, это была самая глупая ошибка, которую я мог когда-либо сделать! Спасибо, так много. – naiveai