如何从 TensorFlow 中的 MNIST 中排除一个类？

Question

我是 TensorFlow 的新手，我正在学习 MNIST 数据集的初学者教程，我想只用 0-8（不包括类 9）来训练模型，所以代码中的 10，我替换了它到 9，但是在代码的训练部分，如何要求 next_batch() 排除第 9 类？如果我想排除多个类？

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import argparse
import sys

from tensorflow.examples.tutorials.mnist import input_data

import tensorflow as tf

FLAGS = None

def main(_):
  # Import data
  mnist = input_data.read_data_sets(FLAGS.data_dir, one_hot=True)

  # Create the model
  x = tf.placeholder(tf.float32, [None, 784])
  W = tf.Variable(tf.zeros([784, 9]))  # was 10 instead of 9 
  b = tf.Variable(tf.zeros([9]))      # was 10 instead of 9
  y = tf.matmul(x, W) + b

  # Define loss and optimizer
  y_ = tf.placeholder(tf.float32, [None, 9]) # was 10 instead of 9

  cross_entropy = tf.reduce_mean(
      tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y))
  train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

  sess = tf.InteractiveSession()
  tf.global_variables_initializer().run()
  # Train
  for _ in range(1000):
    batch_xs, batch_ys = mnist.train.next_batch(100)    # How to exclude the class 9 ?
    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(sess.run(accuracy, feed_dict={x: mnist.test.images,
                                      y_: mnist.test.labels}))

if __name__ == '__main__':
  parser = argparse.ArgumentParser()
  parser.add_argument('--data_dir', type=str, default='/tmp/tensorflow/mnist/input_data',
                      help='Directory for storing input data')
  FLAGS, unparsed = parser.parse_known_args()
  tf.app.run(main=main, argv=[sys.argv[0]] + unparsed)

Answer 1

您应该从 mnist 数据对象中提取训练数据，删除您想要的类，然后继续。首先获取其中没有类9的数据集：

Xdata_no9 = np.array([x for (x,y) in zip(mnist.train.images,mnist.train.labels) if y[9]==0])
ydata_no9 = np.array([y[0:9] for y in mnist.train.labels if y[9]==0])

请注意，y[0:9] 将大小从 10 减小到 9。这样就可以了，但是现在您需要构建自己的代码来提取小批量。这是一个简单的方法：

n = Xdata_no9.shape[0]
batch_size = 100
batch = np.floor(np.random.rand(batch_size)*n).astype(int)
batch_xs = Xdata_no10[batch,:]
batch_ys = ydata_no10[batch,:]

请注意，您可以稍微压缩此代码，但我将其编写为具有指导意义。

注意事项：这样做（从训练集中删除类）是更好的做法：如果您不想对部分数据进行训练，则应将其从数据集中删除在早期，而不是要求每次调用该数据都记住应该忽略数据的哪一部分。在此示例中，这并不重要，因为您只在训练中使用它，但如果您尝试评估整个训练集的性能，这当然会中断（除非您记得再次忽略该类）。

Answer 2

这行应该在你得到batch_xs 和batch_ys 之后立即执行：

batch_xs, batch_ys = zip(*[(x_, y_[:-1]) for x_, y_ in zip(batch_xs, batch_ys) if np.argmax(y_) not in [9]])