同時獲得“'numpy.ndarray'對象不可調用”和“'Tensor'對象不可調用”

Question

我正在構建二進制分類器：我對ML沒有經驗，因此，使用從TensorFlow.org上的Iris分類教程改編的代碼，我在測試集上獲得了85％的准確性。 但是，此評估是使用0.5的閾值進行的：我希望能夠嘗試不同的閾值，只是為了看看我是否可以獲得更好的准確性。 所以我進入tensorflow網站並找到以下命令：

tf.metrics.precision_at_thresholds(
    labels,
    predictions,
    thresholds,
    weights=None,
    metrics_collections=None,
    updates_collections=None,
    name=None
)

看起來就像我需要的，因為它可以讓我使用所需的任何自定義閾值來評估准確性。 因此，我將此代碼添加到了模型代碼中，最終結果看起來像這樣：

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function
import numpy as np
import tensorflow as tf
train_file = "/home/javier/train.csv"
test_file = "/home/javier/test.csv"
def main():
    # Load datasets.
    training_set = tf.contrib.learn.datasets.base.load_csv_with_header(
        filename=train_file,
        target_dtype=np.int,
        features_dtype=np.float32)
    test_set = tf.contrib.learn.datasets.base.load_csv_with_header(
        filename=test_file,
        target_dtype=np.int,
        features_dtype=np.float32)
    # Specify that all features have real-value data
    feature_columns = [tf.contrib.layers.real_valued_column("", dimension=15)]
    # Build 3 layer DNN with 10, 20, 10 units respectively.
    classifier = tf.contrib.learn.DNNClassifier(feature_columns=feature_columns,
            hidden_units=[15,20,15],
            optimizer=tf.train.ProximalAdagradOptimizer(learning_rate=0.05,l2_regularization_strength=0.2),
            n_classes=2,
            model_dir="/home/javier/tf_tinkering")
    # Define the training inputs
    def get_train_inputs():
        x = tf.constant(training_set.data)
        y = tf.constant(training_set.target)
        return x, y
    # Fit model.
    classifier.fit(input_fn=get_train_inputs, steps=50)
    # Define the test inputs
    def get_test_inputs():
        x = tf.constant(test_set.data)
        y = tf.constant(test_set.target)
        return x, y
    # Evaluate accuracy.
    tf.metrics.precision_at_thresholds(
        tf.constant(test_set.target),
        classifier.predict(input_fn=tf.constant(test_set.data)),
        thresholds=[0.5,0.4,0.6],
    )

if __name__ == "__main__":
    main()

問題在於tf.metrics無法解釋“預測”位。 我嘗試了不同的調用“預測”的方法，它們都返回錯誤。 運用

tf.metrics.precision_at_thresholds(
        tf.constant(test_set.target),
        classifier.predict_classes(input_fn=get_test_inputs),
        thresholds=[0.5,0.4,0.6],
    )

給我

TypeError: Expected binary or unicode string, got <generator object <genexpr> at 0x7ff38d2c5af0>

運用

tf.metrics.precision_at_thresholds(
        tf.constant(test_set.target),
        classifier.predict_classes(input_fn=tf.constant(test_set.data)),
        thresholds=[0.5,0.4,0.6],
    )

結果是

TypeError: 'Tensor' object is not callable

和使用

tf.metrics.precision_at_thresholds(
        tf.constant(test_set.target),
        classifier.predict_classes(input_fn=test_set.data),
        thresholds=[0.5,0.4,0.6],
    )

輸出

TypeError: 'numpy.ndarray' object is not callable

我什至嘗試定義一個新的矩陣“ feature_columns_matrix”，然后將其從csv文件中粘貼到所有值中，然后運行“ classifier.predict_classes（input_fn = feature_columns_matrix）”，該矩陣也無法正常工作。 在測試集上運行到tf.metrics子例程時，如何傳遞網絡輸出層的值？

我已經在該網站上閱讀了大約10個其他類似問題，但沒有一個對我有幫助（只是您知道我不是在問一個多余的問題）。 任何幫助將不勝感激！ 謝謝

更新：我發現正在運行

print(list(classifier.predict(input_fn=get_test_inputs)))

正確返回測試文件中每個樣本的預測類。 但是，這不是我為tf.metrics評估准確性所需要的，因為上述命令正是基於0.5閾值返回類！ 它沒有給出網絡最后一層的實際輸出。 當我運行上面的命令時，我得到了：

[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]

但是我真正需要的是當網絡在測試集上運行時產生的實際float32值。 這樣，我可以將其輸入tf.metrics並測試不同的閾值。 有人知道該怎么做嗎？

Answer 1

TypeError: 'numpy.ndarray' object is not callable

這意味着您此時有一個numpy數組，並且您試圖將其當作函數使用。 也就是說，您正在使用arr(...)語法“調用”它。 您要么應該為arr[...]為其建立索引，要么該對象首先不應該是數組。

與張量對象相同。

TypeError: Expected binary or unicode string, got <generator object <genexpr> at 0x7ff38d2c5af0>

表示該函數希望將字符串作為參數，但是您給了它其他東西（ generator的概念可能對您而言太高級了。）

理想情況下，使用Python進行編程時，您需要了解每個變量所引用的對象，尤其是哪種對象。 是一個函數，一個字符串，一個數字，一個數組和tensorflow對象。 當您遇到此類錯誤時，您需要添加診斷打印來檢查對象。 不要只是假設； 測試。

顯然，您在此表達式中嘗試不同的事情：

classifier.predict_classes(input_fn=get_test_inputs)
classifier.predict_classes(input_fn=tf.constant(test_set.data))
classifier.predict_classes(input_fn=test_set.data)

此功能接受什么？ 我猜test_set.dat是一個numpy數組。 將其包裝在tf.constant()其轉變為張量對象。 而get_test_inputs是一個生成器/函數。