tenorflow: применение вычисленных весов к одному множественному изображению - PullRequest
Новая
       46

tenorflow: применение вычисленных весов к одному множественному изображению

0 голосов
/ 05 мая 2020

Я просматриваю учебник по машинному обучению с использованием tensorflow и набора данных mnist. Допустим, я обучил свою модель и протестировал ее, поэтому модель возвращает веса W как массив формы (784, 10) и смещение b как массив формы (10,). Теперь, если я выберу одно изображение из тестового набора данных mnist 

img=mnist.test.images[1,:]

, которое имеет форму (784,), я бы предположил, что рассчитал прогноз для этого изображения, вычислив

W * img + b вот так: 

tf.matmul(W,img) + b

, но это не сработает из-за проблем с рангом. Вместо этого я попытался вычислить W * img следующим образом: 

M=[W[:,0].dot(img), W[:,1].dot(img), W[:,2].dot(img), ..., W[:,9].dot(img)]

, а затем получить окончательный результат с добавлением смещения: M + b. Это нормально работает, но должен быть более простой способ вместо многократного использования скалярного произведения (в других моделях может быть гораздо больше, чем 10 этикеток).

Для технической проблемы код обучения и тестирования не должен иметь большое значение, но вот код, чтобы вы могли восстановить вывод 

import tensorflow as tf
from tqdm import trange
from tensorflow.examples.tutorials.mnist import input_data

# Import data
mnist = input_data.read_data_sets("datasets/MNIST_data/", one_hot=True)

# Create the model
x = tf.placeholder(tf.float32, [None, 784])
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
y = tf.matmul(x, W) + b

# Define loss and optimizer
y_ = tf.placeholder(tf.float32, [None, 10])
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(labels=y_, logits=y))
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

# Create a Session object, initialize all variables
sess = tf.Session()
sess.run(tf.global_variables_initializer())

# Train
for _ in trange(1000):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

# Test trained model
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
print('Test accuracy: {0}'.format(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})))

#The output can be extracted using
W = sess.run(W)
b = sess.run(b) 

sess.close()

1 Ответ

0 голосов
/ 07 мая 2020

Кажется, ответ на мой вопрос tf.einsum. Давайте выберем 100-е изображение тестовых данных mnist, которое должно быть 6: 

img=np.asarray([mnist.test.images[100,:]]) #(a 28x28 image of a 6)
imgT=tf.constant(np.transpose(img)) #TensorShape([Dimension(784), Dimension(1)])
wT=tf.constant(np.transpose(W)) #TensorShape([Dimension(10), Dimension(784)])
with tf.Session() as sess: 
    R=sess.run(tf.einsum('ij,jk->ki', wT, imgT)+b)
    sess.close
np.argmax(R) #=6

Используя tf.constant, массивы img и W преобразуются в тензоры. Вместо использования tf.einsum можно также использовать tf.tensordot, но я не мог понять, что использовать в качестве аргумента осей, чтобы получить тот же результат.

...