我从 tensorflow 开始，一直遵循这个标准MNIST tutorial。
但是，与预期的 92% 准确度相比，在训练集和测试集上获得的准确度并未超过 67%。 我熟悉 softmax 和多项式回归，并且使用从头开始的 python 实现以及使用sklearn.linear_model.LogisticRegression 获得了超过 94% 的结果。
我曾尝试过使用 CIFAR-10 数据集，但在这种情况下，准确度太低，只有 10% 左右，这等于随机分配类。这让我怀疑我是否安装了 tensorflow，但我对此不确定。
这里是my implementation of Tensorflow MNIST tutorial。我会请求是否有人可以看看我的实现。
【问题讨论】：
标签： python tensorflow scikit-learn mnist
您构建了图表，指定了损失函数，并创建了优化器（这是正确的）。问题是您只使用了一次优化器：
sess_tf.run(train_step, feed_dict={x: train_images_reshaped[0:1000], y_: train_labels[0:1000]})
所以基本上你只运行一次梯度下降。很明显，你不可能在朝着正确方向迈出一小步后就快速收敛。你需要做一些事情：
for _ in xrange(many_steps):
X, Y = get_a_new_batch_from(mnist_data)
sess_tf.run(train_step, feed_dict={x: X, y_: Y})
如果您无法弄清楚如何修改我的伪代码，请查阅教程，因为根据我的记忆，他们很好地涵盖了这一点。
【讨论】：
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
W 的初始化可能会导致您的网络除了随机猜测之外什么都学不到。因为 grad 将为零，而反向传播实际上根本不起作用。
您最好使用tf.Variable(tf.truncated_normal([784, 10], mean=0.0, stddev=0.01)) 初始化W，更多信息请参见https://www.tensorflow.org/api_docs/python/tf/truncated_normal。
【讨论】：
不确定这在 2018 年 6 月是否仍然适用，但 MNIST beginner tutorial 不再与 example code on Github 匹配。如果您下载并运行示例代码，它确实会为您提供建议的 92% 准确度。
在学习本教程时，我发现有两个问题：
1) 不小心调用了两次softmax
教程首先告诉你定义y如下：
y = tf.nn.softmax(tf.matmul(x, W) + b)
但后来建议您使用tf.nn.softmax_cross_entropy_with_logits 定义交叉熵，这样很容易意外地执行以下操作：
cross_entropy = tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y)
这会将您的 logits (tf.matmul(x, W) + b) 通过 softmax 发送两次，这导致我的准确率停留在 67%。
但是我注意到，即使修复了这个问题，我仍然只能达到非常不稳定的 80-90% 准确度，这导致我进入下一个问题：
2) tf.nn.softmax_cross_entropy_with_logits() 已弃用
他们还没有更新教程，但是tf.nn.softmax_cross_entropy_with_logits page 表示该功能已被弃用。
在 Github 上的示例代码中，他们已将其替换为 tf.losses.sparse_softmax_cross_entropy(labels=y_, logits=y)。
但是，您不能只是将函数换出 - 示例代码还会更改许多其他行的维度。
我对第一次这样做的人的建议是从 Github 下载当前工作的示例代码，并尝试将其与教程概念相匹配，而不是按字面意思理解说明。希望他们能及时更新！
【讨论】：