批量培訓但是在Tensorflow中測試單個數據項？

Question

我已經訓練了一個批量大小為10的卷積神經網絡。但是在測試時，我想分別預測每個數據集的分類而不是分批預測，這給出了錯誤：

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指的是我分類的類數。

我們不能使用批次進行培訓並單獨測試嗎？

更新：

培訓階段：

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)

測試階段：

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

絕對。 占位符是“桶”，可以從輸入中獲取數據。 他們唯一要做的就是將數據直接導入模型。 它們可以像使用None技巧一樣充當“無限桶” - 您可以根據需要將盡可能多（或少量）的數據放入其中（顯然取決於可用資源）。

在培訓中，嘗試使用None替換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')

然后像以前一樣定義你擁有的其他一切。

然后做一些訓練操作，例如：

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

要進行測試，請重復使用這些相同的占位符（ X ， Y ），並且不要重新定義其他變量。

對於單個Tensorflow圖定義，所有Tensorflow變量都是靜態的。 如果要恢復模型，則占位符在訓練時仍然存在。 與其他變量一樣，例如w ， b ， logits ， entropy和optimizer 。

然后做一些測試操作，例如：

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

Answer 2

定義占位符時，請使用：

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

相反，對於您的培訓和測試階段（實際上，您不需要在測試階段重新定義這些階段）。 同樣將您的偏見定義為：

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

否則，您正在為批次中的每個樣品培訓單獨的偏差，這不是您想要的。

TensorFlow應自動沿輸入的第一維展開，並將其識別為批量大小，因此對於培訓，您可以批量生產10個，並且對於測試，您可以為其提供單個樣品（或100個或其他批次）。