Sto mirando a fare grandi cose con TensorFlow, ma sto cercando di iniziare in piccolo.TensorFlow - perché questa regressione sofmax non apprende nulla?
Ho piccoli quadrati in scala di grigi (con un po 'di rumore) e voglio classificarli in base al loro colore (ad esempio 3 categorie: nero, grigio, bianco). Ho scritto una piccola classe Python per generare quadrati e vettori 1-hot e modificato il loro esempio di base MNIST per nutrirli.
Ma non imparerà nulla - ad es. per 3 categorie si azzecca sempre ≈33% corretto.
import tensorflow as tf
import generate_data.generate_greyscale
data_generator = generate_data.generate_greyscale.GenerateGreyScale(28, 28, 3, 0.05)
ds = data_generator.generate_data(10000)
ds_validation = data_generator.generate_data(500)
xs = ds[0]
ys = ds[1]
num_categories = data_generator.num_categories
x = tf.placeholder("float", [None, 28*28])
W = tf.Variable(tf.zeros([28*28, num_categories]))
b = tf.Variable(tf.zeros([num_categories]))
y = tf.nn.softmax(tf.matmul(x,W) + b)
y_ = tf.placeholder("float", [None,num_categories])
cross_entropy = -tf.reduce_sum(y_*tf.log(y))
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
# let batch_size = 100 --> therefore there are 100 batches of training data
xs = xs.reshape(100, 100, 28*28) # reshape into 100 minibatches of size 100
ys = ys.reshape((100, 100, num_categories)) # reshape into 100 minibatches of size 100
for i in range(100):
batch_xs = xs[i]
batch_ys = ys[i]
sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
xs_validation = ds_validation[0]
ys_validation = ds_validation[1]
print sess.run(accuracy, feed_dict={x: xs_validation, y_: ys_validation})
mio generatore di dati simile a questa:
import numpy as np
import random
class GenerateGreyScale():
def __init__(self, num_rows, num_cols, num_categories, noise):
self.num_rows = num_rows
self.num_cols = num_cols
self.num_categories = num_categories
# set a level of noisiness for the data
self.noise = noise
def generate_label(self):
lab = np.zeros(self.num_categories)
lab[random.randint(0, self.num_categories-1)] = 1
return lab
def generate_datum(self, lab):
i = np.where(lab==1)[0][0]
frac = float(1)/(self.num_categories-1) * i
arr = np.random.uniform(max(0, frac-self.noise), min(1, frac+self.noise), self.num_rows*self.num_cols)
return arr
def generate_data(self, num):
data_arr = np.zeros((num, self.num_rows*self.num_cols))
label_arr = np.zeros((num, self.num_categories))
for i in range(0, num):
label = self.generate_label()
datum = self.generate_datum(label)
data_arr[i] = datum
label_arr[i] = label
#data_arr = data_arr.astype(np.float32)
#label_arr = label_arr.astype(np.float32)
return data_arr, label_arr
ora sto usando 'tf.truncated_normal()' e 'tf.constant()' per i miei pesi e bias come suggerito da te e il loro [tutorial] (http://tensorflow.org/tutorials/mnist/pros/index.html#weight-initialization). Ma ancora nessun cambiamento: indovina a caso. :( –
Sei sicuro che non ci sia un bug con i tuoi dati? Ds [0] 100 articoli? ds = data_generator.generate_data (10000) xs = ds [0] xs = xs.reshape (100, 100, 28 * 28) Sarebbe più comodo se xs avesse il numero giusto prima di essere rimodellato ... – dga
Ciao. Il nparray xs inizia come forma (10000, 784), quindi viene ridimensionato a (100, 100, 784). Ho cambiato il mio post per includere la classe che crea i dati in modo che tu possa provarlo se vuoi Grazie! –