Tensorflow tf.nn.in_top_k Fehlerziele [0] liegt außerhalb des Bereichs

Question

Ich habe ein Tensorflow-Programm mit vier Ausgangsbeschriftungen. Ich habe das Modell trainiert und werte jetzt separate Daten damit aus.

Das Problem ist, dass, nachdem ich den Code verwenden

import tensorflow as tf 

import main 
import Process 
import Input 

eval_dir = "/Users/Zanhuang/Desktop/NNP/model.ckpt-30" 
checkpoint_dir = "/Users/Zanhuang/Desktop/NNP/checkpoint" 


def evaluate(): 
    with tf.Graph().as_default() as g: 
    images, labels = Process.eval_inputs() 
    forward_propgation_results = Process.forward_propagation(images) 
    init_op = tf.initialize_all_variables() 
    saver = tf.train.Saver() 
    top_k_op = tf.nn.in_top_k(forward_propgation_results, labels, 1) 

    with tf.Session(graph=g) as sess: 
    sess.run(init_op) 
    saver.restore(sess, eval_dir) 
    tf.train.start_queue_runners(sess=sess) 
    print(sess.run(top_k_op)) 

def main(argv=None): 
    evaluate() 

if __name__ == '__main__': 
    tf.app.run() 

Insgesamt habe ich eine Klasse nur haben.

Mein Code für die Fehlerrate, wo ich die Etiketten in einer One-hot-Matrix einzuführen, ist hier:

def error(forward_propagation_results, labels): 
    labels = tf.one_hot(labels, 4) 
    tf.transpose(labels) 
    labels = tf.cast(labels, tf.float32) 
    mean_squared_error = tf.square(tf.sub(labels, forward_propagation_results)) 
    cost = tf.reduce_mean(mean_squared_error) 
    train = tf.train.GradientDescentOptimizer(learning_rate = 0.05).minimize(cost) 
    tf.histogram_summary('accuracy', mean_squared_error) 
    tf.add_to_collection('losses', cost) 

    tf.scalar_summary('LOSS', cost) 

    return train, cost 

Answer 1

Das Problem ungültige Daten in Ihrem labels Tensor ist. Von your comment ist der labels Tensor ein Vektor, der einen einzelnen Wert enthält: [40]. Der Wert 40 ist größer als die Anzahl der Spalten in forward_propagation_result (also 4).

Die tf.nn.in_top_k(predictions, targets, k) op hat folgendes Verhalten:

• Für jede Zeile predictions[i, :]:
  • result[i] wahr ist, wenn eine der predictions[i, targets[i]] k größten Elemente in dieser Zeile ist; sonst ist es falsch.

Es gibt keinen Wert predictions[0, 40], weil (wie Ihr Kommentar zeigt) dieses Argument eine 1 x 4 Matrix ist. Daher gibt TensorFlow Ihnen einen out of range Fehler. Dies deutet darauf hin, dass entweder Ihre Bewertungsdaten falsch sind oder Sie eine andere Bewertungsfunktion verwenden sollten.