mnist = tf.keras.datasets.mnist
(X_train, y_train), (X_test, y_test) = mnist.load_data()
# 定义onehot函数:
def onehot(y, start, end, categories='auto'):
oht = OneHotEncoder()
a = np.linspace(start, end - 1, end - start)
b = np.reshape(a, [-1, 1]).astype(np.int32)
oht.fit(b)
c = oht.transform(y).toarray()
return c
y_train = np.reshape(y_train, [-1, 1]).astype(np.int32)
y_train = onehot(y_train, 0, 10)
y_test = np.reshape(y_test, [-1, 1]).astype(np.int32)
y_test = onehot(y_test, 0, 10)
X_train = np.reshape(X_train, [-1, 784]).astype(np.float32)
X_test = np.reshape(X_test, [-1, 784]).astype(np.float32)
x = tf.placeholder(tf.float32, [None, 784]) # 图像数据,N行784列
y = tf.placeholder(tf.float32, [None, 10]) # 输出数据(标签,即图像真实类别),N行10列
w = tf.Variable(tf.random_normal([784, 10])) # 权重
b = tf.Variable(tf.zeros([10])) # 偏置,一行十列
pred_y = tf.nn.softmax(tf.matmul(x, w) + b)
print(pred_y.shape)
# 损失函数(交叉熵)
cross_entropy = -tf.reduce_sum(y * tf.log(pred_y), reduction_indices=1)
cost = tf.reduce_mean(cross_entropy)
# 梯度下降优化器
optimizer = tf.train.GradientDescentOptimizer(0.001).minimize(cost)
# 批次大小
batch_size = 100
saver = tf.train.Saver()
model_path = './model/' # 模型路径
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
# 开始训练
for epoch in range(10):
total_batch = int(X_train.shape[0] / batch_size) # 总批次
avg_cost = 0.0
for i in range(total_batch):
batch_x = X_train[i * batch_size:(i + 1) * batch_size, :]
# batch_x = np.reshape(batch_x, [-1, 784])
batch_y = y_train[i * batch_size:(i + 1) * batch_size, :]
op, c = sess.run([optimizer, cost],
feed_dict={x: batch_x, y: batch_y})
avg_cost += (c / total_batch)
print("epoch:%d, cost=%.9f" % (epoch + 1, avg_cost))
print('训练结束')
# 模型评估
# 比较预测结果和真实值,返回布尔类型的数组
correct_pred = tf.equal(tf.argmax(y, 1), tf.argmax(pred_y, 1))
# 将布尔类型数组转换为浮点数,并计算准确率
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))
print('准确率:', accuracy.eval({x: X_test, y: y_test}))
print(sess.run(tf.argmax(y_test[:30], 1)), "Real Number")
print(sess.run(tf.argmax(pred_y[:30], 1), feed_dict={x: X_test, y: y_test}), "Prediction Number")
# 保存模型
save_path = saver.save(sess, model_path)
print('模型已保存')
![](https://profile-avatar.csdnimg.cn/default.jpg!4)
手写体识别时,pred_y 返回全都是0
- 写回答
- 好问题 0 提建议
- 追加酬金
- 关注问题
- 邀请回答
-
1条回答 默认 最新
- 你知我知皆知 2024-07-24 19:28关注
以下回答参考 皆我百晓生、券券喵儿 等免费微信小程序相关内容作答,并由本人整理回复。
在给定的代码中,
pred_y
的输出是一个全都是 0 的向量。这可能是因为softmax()
函数没有正确地应用到输入数据上。softmax()
函数是用于将多分类问题中的概率分布转换成概率比例的函数。要解决此问题,您需要确保在使用
softmax()
函数之前对数据进行适当的预处理。例如,您可以先对输入数据进行归一化或标准化操作,以消除不同值之间的差异。以下是一个简单的示例:from sklearn.preprocessing import StandardScaler scaler = StandardScaler() X_scaled = scaler.fit_transform(X_train) X_test_scaled = scaler.transform(X_test)
这样做的目的是使所有特征在相同的尺度下进行比较,从而使得模型更容易学习。接下来,您可以继续执行其他步骤来完成您的手写体识别任务。
注意:以上代码片段仅作为示例,实际的实现可能会根据具体需求有所不同。如果您有特定的需求,请提供更多的详细信息以便我能为您提供更具体的帮助。
解决 无用评论 打赏 举报
悬赏问题
- ¥15 网络科学导论,网络控制
- ¥15 metadata提取的PDF元数据,如何转换为一个Excel
- ¥15 关于arduino编程toCharArray()函数的使用
- ¥100 vc++混合CEF采用CLR方式编译报错
- ¥15 coze 的插件输入飞书多维表格 app_token 后一直显示错误,如何解决?
- ¥15 vite+vue3+plyr播放本地public文件夹下视频无法加载
- ¥15 c#逐行读取txt文本,但是每一行里面数据之间空格数量不同
- ¥50 如何openEuler 22.03上安装配置drbd
- ¥20 ING91680C BLE5.3 芯片怎么实现串口收发数据
- ¥15 无线连接树莓派,无法执行update,如何解决?(相关搜索:软件下载)