Tensorflow Начальники MNIST нуждаются в некотором понимании шаг оценки

Question

Я прошел через элементарный пример в Tensorflow для оценки обученной модели. Вот что он говорит:

accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float")) 
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})) 

Я не придерживался этого кода, где обученная «модель»? или это tf.reduce_mean (....)? проверка подготовленной модели.

Answer 1

Как говорит Гай Кодер, возможно, вам стоит проверить другие онлайн-ресурсы или MOOC перед тем, как начать с тензорного потока.

Но в любом случае, может быть, вы получите более четкую картину с этим ...

Есть две части в обучение модели в tensorflow.

1. Сначала вы объявляете структуру своей модели с различными слоями и переменными. Tensorflow выведет график из этого, но пока не происходит никаких вычислений.
2. Затем вы попросите tenorflow «запустить» и оптимизировать модель. То, что вы здесь делаете, это сказать тензорпотоку, что вы хотите уменьшить кросс-энтропию или любую функцию потерь, которую вы определяете, поэтому вы предоставляете входные данные и метки, которые граф должен вычислить.

После этого вы приступаете к обученной модели. Возможно, вам захочется сохранить модель и повторно использовать ее позже, но это уже другая история.

Итак, во время обучения или после его завершения вы можете позвонить по телефону
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})).

Это говорит о тензорном потоке для вычисления точности с использованием графика с текущим значением переменных (возможно, вы находитесь в середине обучения). И вы кормите эту функцию точности изображениями и ярлыками. Tensorflow примет значения x и попытается предсказать y_, и точность будет результатом того, насколько хорошо он это сделал.

Подключение к вашей обученной модели происходит от функции correct_prediction который должен сравнить правильный вывод с предсказанием вашей модели, то есть Y_ против у

Надеется, что это помогает

EDIT

Я отвечу на основании ваших комментариев, но имейте в виду, что ваш вопрос очень плохо объяснен ... как указано S_kar

Чтобы сохранить модель вы делаете это так:

# model declared before this line 
with tf.Session() as sess: 
    # Merge all the summaries and write them out to /tmp/tf 
    merged = tf.merge_all_summaries() 
    writer = tf.train.SummaryWriter("/tmp/tf", sess.graph_def) 
    tf.initialize_all_variables().run() 

    saver = tf.train.Saver() 

    """ 
    train the model... 
    """ 

    print "Model succesfuly trained" 

    # now save the model in a subdirectory called "model" 
    checkpoint_path = os.getcwd() + "/model/model.ckpt" 
    saver.save(sess, checkpoint_path) 
    print "Model saved" 

Чтобы восстановить модель смотреть в this question