Null Kosten in tensorflow Multi perceptron

Question

ich ein einfaches neuronales Netz aufgebaut haben, um Daten in nur zwei Klassen zu klassifizieren Daten ist so etwas wie dieses

34.62365962451697,78.0246928153624,0 
60.18259938620976,86.30855209546826,1 

Es gibt keine Nullwerte in Daten sind so gibt es keine Quelle für solche Kosten .Cost Null mit adagrad Optimierers und nan mit Gradientenabfallsaktualisierung optimiser Hier ist der Code

import numpy as ny 
import tensorflow as tf 


def load(): 
    data = [] 
    for line in open("ex2data1.txt"): 
     row = line.split(',') 
     x = ny.array(row, dtype='|S4') 
     data.append(x.astype(ny.float64)) 
    return ny.array(data) 


def multilayer_perceptron(x, weights, biases): 
    # Hidden layer with ReLU activation 
    layer_1 = tf.add(tf.matmul(x, weights['h1']), biases['b1']) 
    layer_1 = tf.nn.relu(layer_1) 
    # Hidden layer with ReLU activation 
    layer_2 = tf.add(tf.matmul(layer_1, weights['h2']), biases['b2']) 
    layer_2 = tf.nn.relu(layer_2) 
    # Output layer with linear activation 
    out_layer = tf.matmul(layer_2, weights['out']) + biases['out'] 
    return out_layer 

# Store layers weight & bias 
weights = { 
    'h1': tf.Variable(tf.random_normal([2, 15])), 
    'h2': tf.Variable(tf.random_normal([15, 15])), 
    'out': tf.Variable(tf.random_normal([15, 1])) 
} 
biases = { 
    'b1': tf.Variable(tf.random_normal([15])), 
    'b2': tf.Variable(tf.random_normal([15])), 
    'out': tf.Variable(tf.random_normal([1])) 
} 

data = load() 
Xdata = ny.array(data[:, 0:2]) 
Ydata = ny.array(data[:, 2]) 
Ydata = ny.array(Ydata.reshape([100, 1])) 
# Step 2 - Create input and output placeholders for data 
X = tf.placeholder("float", [None, 2], name="X") 
Y = tf.placeholder("float", [None, 1], name="Y") 

pred = multilayer_perceptron(X, weights, biases) 


# Minimize error using cross entropy 
with tf.name_scope("cost"): 
    cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=pred, labels=Y)) 
    optimizer = tf.train.AdagradOptimizer(0.001).minimize(cost) 
    tf.summary.scalar("cost", cost) 

init = tf.global_variables_initializer() 
summary_op = tf.summary.merge_all() 
with tf.Session() as sess: 
    sess.run(init) 

    print(Xdata) 
    print(Ydata) 

    # Step 12 train the model 
    for i in range(1000): 
     sess.run(optimizer, feed_dict={X: Xdata, Y: Ydata}) 
     if (i % 100 == 0): 
      print(sess.run(cost, feed_dict={X: Xdata, Y: Ydata})) 

Answer 1

mit der Art und Weise Ihrer Etikett dargestellt werden Sie nicht diese Verlust-Funktion verwendet werden sollen. Ich denke, this ist relevant