Краткое описание:
- Когда я запускаю свою сеть без функции активации на ее выходном слое и с функцией потери
softmax_cross_entropy_with_logits_v2, все ее прогнозируемые значения являются отрицательными и не похожи на мои классы быстрого вывода (которые равны 0 или 1), что не ' не имеет смысла для меня. Мне кажется, что было бы целесообразно, чтобы сама сеть выводила вероятности, равные 1, но я не уверен, как этого добиться, не используя softmax в качестве функции активации моего выходного уровня.
Уже ответили:
- Когда я использую softmax в качестве выходного класса и
cost = tf.reduce_mean(-tf.reduce_sum(y * tf.cast(tf.log(prediction), tf.float32), [1])) в качестве функции потерь (как указано в прилагаемом вопросе), моя сеть выводит все предсказания [nan, nan]
- Когда я попробовал softmax на выходном слое и функцию потерь
softmax_cross_entropy_with_logits_v2 вместе, все мои прогнозы были одинаковыми [0, 1] или [1, 0].
Более длинная версия:
Мои данные имеют вид:
У меня есть следующая модель, которая пытается выполнить двоичную классификацию, используя выходной узел измерения 2.
def neural_network_model(data):
hidden_1_layer = {'weights': tf.Variable(tf.random_normal([n_features, n_nodes_hl1])),
'biases': tf.Variable(tf.random_normal([n_nodes_hl1]))}
hidden_2_layer = {'weights': tf.Variable(tf.random_normal([n_nodes_hl1, n_nodes_hl2])),
'biases': tf.Variable(tf.random_normal([n_nodes_hl2]))}
hidden_3_layer = {'weights': tf.Variable(tf.random_normal([n_nodes_hl2, n_nodes_hl3])),
'biases': tf.Variable(tf.random_normal([n_nodes_hl3]))}
output_layer = {'weights':tf.Variable(tf.random_normal([n_nodes_hl3, n_classes])),
'biases':tf.Variable(tf.random_normal([n_classes]))}
l1 = tf.add(tf.matmul(data, hidden_1_layer['weights']), hidden_1_layer['biases'])
l1 = tf.nn.relu(l1)
l2 = tf.add(tf.matmul(l1, hidden_2_layer['weights']), hidden_2_layer['biases'])
l2 = tf.nn.relu(l2)
l3 = tf.add(tf.matmul(l2, hidden_3_layer['weights']), hidden_3_layer['biases'])
l3 = tf.nn.relu(l3)
# output shape -- [batch_size, 2]
# example output = [[0.63, 0.37],
# [0.43, 0.57]]
output = tf.add(tf.matmul(l3, output_layer['weights']), output_layer['biases'])
softmax_output = tf.nn.softmax(output)
return softmax_output, output
и я тренирую его, используя функцию ниже:
def train_neural_network(x):
softmax_prediction, regular_prediction = neural_network_model(x)
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(logits=softmax_prediction, labels=y))
# cost = tf.reduce_mean(-tf.reduce_sum(y * tf.cast(tf.log(prediction), tf.float32), [1]))
optimizer = tf.train.AdamOptimizer(learning_rate=0.001).minimize(cost)
per_epoch_correct = tf.equal(tf.argmax(softmax_prediction, 1), tf.argmax(y, 1))
accuracy = tf.reduce_mean(tf.cast(per_epoch_correct, tf.float32))
hm_epochs = 5000
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
pred = []
for epoch in range(hm_epochs):
acc = 0
epoch_loss = 0
i = 0
while i < len(X_train)-9:
start_index = i
end_index = i + batch_size
batch_x = np.array(X_train[start_index:end_index])
batch_y = np.array(y_train[start_index:end_index])
_ , c, acc, pred = sess.run([optimizer, cost, accuracy, softmax_prediction], feed_dict={x: batch_x, y:batch_y})
epoch_loss += c
i += batch_size
print(pred[0])
print('Epoch {} completed out of {} loss: {:.9f} accuracy: {:.9f}'.format(epoch+1, hm_epochs, epoch_loss, acc))
# get accuracy
correct = tf.equal(tf.argmax(softmax_prediction, 1), tf.argmax(y, 1))
final_accuracy = tf.reduce_mean(tf.cast(correct, tf.float32))
print('Accuracy:', final_accuracy.eval({x:X_test, y:y_test}))
Таким образом, моя сеть «работает» (как мне кажется?), Когда я запускаю ее без функции активации на выходном слое и с функцией потери softmax_cross_entropy_with_logits_v2. Тем не менее, когда я смотрю на его прогнозируемые значения, они все отрицательные и не похожи на мои классы с горячим выводом (которые равны 0 или 1), что не имеет смысла для меня.
Кроме того, я просматривал этот вопрос относительно правильного использования функции softmax, и мне кажется целесообразным использовать softmax в качестве функции активации моего выходного слоя. Это потому, что у меня есть 2 выходных класса, и, таким образом, моя сеть может выводить вероятность суммирования каждого класса до 1. Однако, когда я использую softmax в качестве выходного класса и cost = tf.reduce_mean(-tf.reduce_sum(y * tf.cast(tf.log(prediction), tf.float32), [1])) в качестве функции потерь (как указано в прикрепленном вопросе) Моя сеть выводит все прогнозы [nan, nan]. Когда я попробовал softmax на выходном слое и функцию потерь softmax_cross_entropy_with_logits_v2, все мои прогнозы были одинаковыми [0, 1] или [1, 0]. Я попытался следовать рекомендациям в этом вопросе , но моя сеть с выводом softmax по-прежнему выводит только прогнозы всех [0, 1] или [1, 0].
В целом, я не уверен в том, как действовать, и я считаю, что я должен неправильно понимать, как должна быть структурирована эта сеть. Любая помощь будет оценена.