tensorflow 教程中测试数据的计算答案

【问题标题】：computation of test data in tensorflow tutorialtensorflow 教程中测试数据的计算
【发布时间】：2016-10-07 08:34:16
【问题描述】：

我正在阅读 tensorflow 的教程- https://www.tensorflow.org/versions/r0.9/tutorials/mnist/beginners/index.html

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
x = tf.placeholder(tf.float32, [None, 784])
W = tf.Variable(tf.zeros([784, 10]))    #weights
b = tf.Variable(tf.zeros([10]))         #bias   
y = tf.nn.softmax(tf.matmul(x, W) + b)
y_ = tf.placeholder(tf.float32, [None, 10])
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
for i in range(1000):
  batch_xs, batch_ys = mnist.train.next_batch(100)
  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, tf.float32))
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))

在最后，我们将测试数据传递给占位符。 y_ 是包含真值的矩阵。 y 是具有预测值的矩阵。我的问题是什么时候为测试数据计算 y 。 W 矩阵已通过反向传播进行训练。但是这个经过训练的矩阵必须乘以新的输入 x（测试数据）才能给出预测 y。这是在哪里发生的？

通常我已经看到代码的顺序执行，并且在最后几行中，没有明确调用 y。

【问题讨论】：

标签： python machine-learning tensorflow deep-learning

【解决方案1】：

accuracy 依赖于 correct_prediction，而 correct_prediction 又依赖于 y。

因此，当您调用 sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}) 时，y 在计算 accuracy 之前计算。所有这些都发生在 TensorFlow 图中。

TensorFlow 图在训练和测试方面相同。唯一的区别是您提供给占位符 x 和 y_ 的数据。

【讨论】：

我感觉它的工作方式与您在回答中提到的完全一样。你能建议我一些可以阅读更多关于 TensorFlow 图的来源吗？
您可以阅读 this tutorial 了解构建 TF 图，阅读 this one 了解可视化它。

【解决方案2】：

y 在此处计算：

y = tf.nn.softmax(tf.matmul(x, W) + b) # Line 7

具体来说，您正在寻找的是在该行中：

tf.matmul(x, W) + b

其输出通过softmax函数来识别类。

这是在每 1000 次通过图表时计算的，每次变量 W 和 b 由 GradientDescent 更新，y 被计算并与 y_ 比较以确定损失。

【讨论】：