Tensorflow-我得到了这些标签，这是预期的吗？答案

【问题标题】：Tensorflow- I'm getting those labels, is that expected?Tensorflow-我得到了这些标签，这是预期的吗？
【发布时间】：2017-03-29 13:52:34
【问题描述】：

我有以下卷积神经网络 (CNN)，但没有接受过很多图像的训练。在这个 CNN 中，我正在输入一个图像并试图查看模型会返回什么标签。该模型为添加的两个图像返回了两个标签。标签是[1 1]，而我期望它们是[0 0]。但是，由于我没有训练很多图像，这是预期的吗？

import numpy as np
import matplotlib.pyplot as plt
import cifar_tools
import tensorflow as tf

learning_rate = 0.001

data = cifar_tools.read_data()

x = tf.placeholder(tf.float32, [None, 150 * 150])
y = tf.placeholder(tf.float32, [None, 2])

w1 = tf.Variable(tf.random_normal([5, 5, 1, 64]))
b1 = tf.Variable(tf.random_normal([64]))

w2 = tf.Variable(tf.random_normal([5, 5, 64, 64]))
b2 = tf.Variable(tf.random_normal([64]))

w3 = tf.Variable(tf.random_normal([38*38*64, 1024]))
b3 = tf.Variable(tf.random_normal([1024]))

w_out = tf.Variable(tf.random_normal([1024, 2]))
b_out = tf.Variable(tf.random_normal([2]))

def conv_layer(x,w,b):
    conv = tf.nn.conv2d(x,w,strides=[1,1,1,1], padding = 'SAME')
    conv_with_b = tf.nn.bias_add(conv,b)
    conv_out = tf.nn.relu(conv_with_b)
    return conv_out

def maxpool_layer(conv,k=2):
    return tf.nn.max_pool(conv, ksize=[1,k,k,1], strides=[1,k,k,1], padding='SAME')

def model():
    x_reshaped = tf.reshape(x, shape=[-1, 150, 150, 1])

    conv_out1 = conv_layer(x_reshaped, w1, b1)
    maxpool_out1 = maxpool_layer(conv_out1)
    norm1 = tf.nn.lrn(maxpool_out1, 4, bias=1.0, alpha=0.001 / 9.0, beta=0.75)
    conv_out2 = conv_layer(norm1, w2, b2)
    norm2 = tf.nn.lrn(conv_out2, 4, bias=1.0, alpha=0.001 / 9.0, beta=0.75)
    maxpool_out2 = maxpool_layer(norm2)

    maxpool_reshaped = tf.reshape(maxpool_out2, [-1, w3.get_shape().as_list()[0]])
    local = tf.add(tf.matmul(maxpool_reshaped, w3), b3)
    local_out = tf.nn.relu(local)

    out = tf.add(tf.matmul(local_out, w_out), b_out)
    return out

model_op = model()

cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(model_op, y))
train_op = tf.train.AdamOptimizer(learning_rate=0.001).minimize(cost)

res_model=tf.argmax(model_op, 1) # testing
correct_pred = tf.equal(tf.argmax(model_op, 1), tf.argmax(y,1))
accuracy = tf.reduce_mean(tf.cast(correct_pred,tf.float32))

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    batch_size = len(data)
    # Save model
    saver = tf.train.Saver()
    # Restore model
    saver = tf.train.import_meta_graph('C:\\Users\\abc\\Desktop\\\Testing\\mymodel.meta')
    saver.restore(sess, tf.train.latest_checkpoint('./'))
    tf.add_to_collection("vars", w1)
    tf.add_to_collection("vars", b1)
    all_vars = tf.get_collection('vars')
    for v in all_vars:
        v_ = sess.run(v)

    print('model restored')

    # Test on unlabeled data
    for i in range(0, len(data), batch_size):
        new_data = data[i:i+batch_size, :] #testing
        res_new = sess.run(res_model, feed_dict={x: new_data})
        print('LABEL IS')
        print(res_new)

谢谢。

【问题讨论】：

标签： python tensorflow neural-network conv-neural-network

【解决方案1】：

即使您使用大量数据训练您的网络，在您的测试集中有两个错误分类的图像也并不意外。所以总的来说，当你只考虑两个测试用例时，我认为你不能推断出太多。您绝对应该增加测试图像的数量，以便能够评估网络的性能。

请记住，即使在您开始训练之前，您也可以通过随机正确分类来对某些图像进行分类。回想一下，您的权重矩阵是随机初始化的。因此，如果您有 2 个类别并且应用未经训练的网络，则可能大约 50% 的图像会被随机正确分类（而 50% 不会）。

此外，根据您使用的图像类型和其他因素，您可能需要更多数据才能充分训练网络。你可以阅读here 一些关于如何确定你是否有足够的训练数据的讨论。

【讨论】：