Tensorflow MNIST教程 - 测试精度非常低

Question

我一直在使用tensorflow并且一直遵循这个标准的MNIST教程 。

然而，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不超过67％。 我熟悉softmax和多项式回归，并且使用scratch python实现以及使用sklearn.linear_model.LogisticRegression已经获得了超过94％。

我曾尝试使用CIFAR-10数据集进行相同操作，在这种情况下，精度太低，只有10％左右，等于随机分配类。 这让我怀疑我的张量流的安装，但我不确定这一点。

这是我对Tensorflow MNIST教程的实现 。 如果有人可以查看我的实现，我会要求。

Answer 1

您构建了图形，指定了损失函数，并创建了优化器（这是正确的）。 问题是您只使用优化器一次：

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，只有朝着正确的方向迈出一小步，你才能快速收敛。 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，请参阅教程，因为根据我的记忆，他们很好地介绍了这一点。

Answer 2

W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))

W的初始化可能导致您的网络除了随机猜测之外什么都不学习。 因为grad将为零，而backprop实际上根本不起作用。

你最好使用tf.Variable(tf.truncated_normal([784, 10], mean=0.0, stddev=0.01))初始化W tf.Variable(tf.truncated_normal([784, 10], mean=0.0, stddev=0.01))参见https://www.tensorflow.org/api_docs/python/tf/truncated_normal更多。

Answer 3

不确定这是否仍然在2018年6月相关，但MNIST 初学者教程不再匹配Github上的示例代码 。 如果您下载并运行示例代码，它确实可以为您提供92％的建议准确度。

我注意到在学习本教程时出现了两个问题：

1）意外地调用softmax两次

本教程首先告诉您如下定义y：

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，这样可以很容易地意外地执行以下操作：

cross_entropy = tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y)

这会将你的logits（ tf.matmul(x, W) + b ）通过softmax发送两次，这导致我陷入67％的准确率。

但是我注意到，即使解决这个问题仍然只能使我达到非常不稳定的80-90％的准确率，这使我进入下一个问题：

2）不推荐使用tf.nn.softmax_cross_entropy_with_logits（）

他们还没有更新教程，但是tf.nn.softmax_cross_entropy_with_logits页面表明该函数已被弃用。

在Github上的示例代码中，他们用tf.losses.sparse_softmax_cross_entropy(labels=y_, logits=y)替换它。

但是，您不能只是将函数交换掉 - 示例代码也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下载当前的工作示例代码，并尝试将其与教程概念相匹配，而不是按字面意思理解。 希望他们能够更新它！