J'essaie de mnist pour les débutants, en utilisant des données csv. J'ai obtenu les données csv à partir de here et fait de chaque étiquette un vecteur à chaud. Chaque ligne a 794dims (colum1 ~ 10 comme étiquette et 11 ~ 794 comme pixels). Voici le code que j'ai écrit qui résulte dans l'exactitude terrible.Mauvaise précision à mnist csv données dans tensorflow
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
import argparse
import sys
import tensorflow as tf
import numpy as np
FLAGS = None
def main(_):
# Import data
def csv_to_numpy_array(filepath, delimiter):
return np.genfromtxt(filepath,delimiter=delimiter, dtype=None)
def import_data():
print("loading training data")
traindata = csv_to_numpy_array("data/mnist_train_onehot.csv",delimiter=",")
[trainY, trainX] = np.hsplit(traindata,[10]);
print("loading test data")
[testY, testX] = np.hsplit(testdata,[10]);
return trainX, trainY, testX, testY
x_train, y_train, x_test, y_test = import_data()
numX = x_train.shape[1] #784
numY = y_train.shape[1] #10
# Prepare the placeholder
x = tf.placeholder(tf.float32, [None, numX]) #input box
y_ = tf.placeholder(tf.float32, [None, numY]) #output box
#define weight and biases
w = tf.Variable(tf.zeros([numX,numY]))
b = tf.Variable(tf.zeros([numY]))
#create the model
def model(X, w, b):
pyx = tf.nn.softmax(tf.matmul(X, w) + b)
return pyx
y = model(x, w, b)
#cost function
loss = -tf.reduce_sum(y_*tf.log(y))
# the loss and acc
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y),reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
init = tf.initialize_all_variables()
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
sess = tf.InteractiveSession()
tf.global_variables_initializer().run()
# Train
for i in range(1000):
ind = np.random.choice(100,100)
x_train_batch = x_train[ind]
y_train_batch = y_train[ind]
#run optimization op (backprop) and cost op (to get loss value)
_,c = sess.run([train_step, loss], feed_dict={x: x_train_batch, y_: y_train_batch})
if i % 50 == 0:
train_acc = accuracy.eval({x: x_train_batch, y_: y_train_batch})
print('step: %d, acc: %6.3f' % (i, train_acc))
# Test trained model
print(sess.run(accuracy, feed_dict={x: x_test,
y_: y_test}))
if __name__ == '__main__':
parser = argparse.ArgumentParser()
parser.add_argument('--data_dir', type=str, default='/tmp/tensorflow/mnist/input_data',
help='Directory for storing input data')
FLAGS, unparsed = parser.parse_known_args()
tf.app.run(main=main, argv=[sys.argv[0]] + unparsed)
La précision est de 0,098pt. Quelqu'un peut-il s'il vous plaît essayer ce code et me dire ce qui ne va pas sur ce code? Merci beaucoup d'avance.
Essayez de remplacer 'w = tf.Variable (tf.zeros ([NUMX, numY]))' 'avec tf .Variable (tf.random_normal ([numX, numY])) '. Vous devriez essayer d'initialiser vos poids au hasard. Si ce sont tous des zéros, la descente de gradient peut rester bloquée dans la position initiale. Cela peut également être utile: https://www.youtube.com/watch?v=eBbEDRsCmv4 – niczky12