tensorflow，如何做tf。在mnist中為ml初學者打印

Question

我正在嘗試此頁面上的tensorflow入門示例。 我想就cross_entropy打印某事，但一無所獲。 這是代碼，也可以從這里引用。

from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
import numpy as np

mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

x = tf.placeholder(tf.float32, [None, 784])
y_ = tf.placeholder(tf.float32, [None, 10])
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))

y = tf.matmul(x, W) + b
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=y, labels=y_))
cross_entropy = tf.Print(cross_entropy, [cross_entropy], "###")
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

sess = tf.InteractiveSession()
tf.global_variables_initializer().run()
for _ in range(1000):
  batch_xs, batch_ys = mnist.train.next_batch(100)
  sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

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}))

我不知道為什么tf.Print綁定到cross_entropy，而在每個循環中什么也不打印。

我想我已經綁定了tf.Print-> cross_entropy-> train_step並運行此train_step。 我怎么了

Answer 1

沒錯， tf.Print是（引用文檔）：

評估時具有打印數據副作用的身份操作。

因此，正確地，您希望每當有東西跨過cross_entropy節點時，就會看到cross_entropy的值。

問題在於您要最小化實際的交叉熵而不是標識節點。 因此，在實踐中， cross_entropy變量是一個“指向”另一個有效評估的變量的標識節點。

為了解決這個問題，您可以強制評估圖中節點的順序。

您可以限制僅在記錄值之后才執行的最小化步驟。 為此，您可以通過以下方式使用tf.control_dependencies ：

from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
import numpy as np

mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

x = tf.placeholder(tf.float32, [None, 784])
y_ = tf.placeholder(tf.float32, [None, 10])
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))

y = tf.matmul(x, W) + b
cross_entropy = tf.reduce_mean(
    tf.nn.softmax_cross_entropy_with_logits(logits=y, labels=y_))

with tf.control_dependencies([tf.Print(cross_entropy, [cross_entropy], "###")]):
    train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

sess = tf.InteractiveSession()
tf.global_variables_initializer().run()
for _ in range(1000):
    batch_xs, batch_ys = mnist.train.next_batch(100)
    sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

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}))