批量培训但是在Tensorflow中测试单个数据项？

Question

我已经训练了一个批量大小为10的卷积神经网络。但是在测试时，我想分别预测每个数据集的分类而不是分批预测，这给出了错误：

Assign requires shapes of both tensors to match. lhs shape= [1,3] rhs shape= [10,3]

我理解10指的是batch_size ，3指的是我分类的类数。

我们不能使用批次进行培训并单独测试吗？

更新：

培训阶段：

batch_size=10
classes=3
#vlimit is some constant : same for training and testing phase
X = tf.placeholder(tf.float32, [batch_size,vlimit ], name='X_placeholder')
Y = tf.placeholder(tf.int32, [batch_size, classes], name='Y_placeholder')
w = tf.Variable(tf.random_normal(shape=[vlimit, classes], stddev=0.01), name='weights')
b = tf.Variable(tf.ones([batch_size,classes]), name="bias")
logits = tf.matmul(X, w) + b
entropy = tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=Y, name='loss')
loss = tf.reduce_mean(entropy)
optimizer = tf.train.AdamOptimizer(learning_rate).minimize(loss)

测试阶段：

batch_size=1
classes=3
X = tf.placeholder(tf.float32, [batch_size,vlimit ], name='X_placeholder')
Y = tf.placeholder(tf.int32, [batch_size, classes], name='Y_placeholder')
w = tf.Variable(tf.random_normal(shape=[vlimit, classes], stddev=0.01), name='weights')
b = tf.Variable(tf.ones([batch_size,classes]), name="bias")
logits = tf.matmul(X, w) + b
entropy = tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=Y, name='loss')
loss = tf.reduce_mean(entropy)
optimizer = tf.train.AdamOptimizer(learning_rate).minimize(loss)

Answer 1

绝对。 占位符是“桶”，可以从输入中获取数据。 他们唯一要做的就是将数据直接导入模型。 它们可以像使用None技巧一样充当“无限桶” - 您可以根据需要将尽可能多（或少量）的数据放入其中（显然取决于可用资源）。

在培训中，尝试使用None替换batch_size for Training占位符：

X = tf.placeholder(tf.float32, [None, vlimit ], name='X_placeholder')
Y = tf.placeholder(tf.int32, [None, classes], name='Y_placeholder')

然后像以前一样定义你拥有的其他一切。

然后做一些训练操作，例如：

 _, Tr_loss, Tr_acc = sess.run([optimizer, loss, accuracy], feed_dict{x: btc_x, y: btc_y})

要进行测试，请重复使用这些相同的占位符（ X ， Y ），并且不要重新定义其他变量。

对于单个Tensorflow图定义，所有Tensorflow变量都是静态的。 如果要恢复模型，则占位符在训练时仍然存在。 与其他变量一样，例如w ， b ， logits ， entropy和optimizer 。

然后做一些测试操作，例如：

 Ts_loss, Ts_acc = sess.run( [loss, accuracy], feed_dict{ x: test_x , y: test_y } )

Answer 2

定义占位符时，请使用：

X = tf.placeholder(tf.float32, [None, vlimit ], name='X_placeholder')
Y = tf.placeholder(tf.int32, [None, classes], name='Y_placeholder')
...

相反，对于您的培训和测试阶段（实际上，您不需要在测试阶段重新定义这些阶段）。 同样将您的偏见定义为：

b = tf.Variable(tf.ones([classes]), name="bias")

否则，您正在为批次中的每个样品培训单独的偏差，这不是您想要的。

TensorFlow应自动沿输入的第一维展开，并将其识别为批量大小，因此对于培训，您可以批量生产10个，并且对于测试，您可以为其提供单个样品（或100个或其他批次）。