Ich habe einen Datensatz mit 5 Spalten, ich füttere in den ersten 3 Spalten als meine Eingaben und die anderen 2 Spalten als meine Ausgaben.Tensorflow API Zum Testen der Daten
Ich habe das Programm erfolgreich ausgeführt, aber ich bin mir nicht sicher, wie ich das Modell testen soll, indem ich meine eigenen Werte als Eingabe gebe und eine vorhergesagte Ausgabe vom Modell bekomme.
Kann mir bitte jemand helfen, wie kann ich das Modell mit meinem eigenen Wert nach dem Training tatsächlich testen?
Ich verwende Tensorflow in Python. Ich bin in der Lage Genauigkeit der Prüfung angezeigt werden, aber wie kann ich vorhersagen, tatsächlich mit dem Wert, wenn ich einige zufällige Eingabe passieren (hier, ich brauche drei Eingangswerte passieren 2 Ausgangswerte zu erhalten)
Hier ist mein Code:
# Implementation of a simple MLP network with one hidden layer. Tested on the iris data set.
# Requires: numpy, sklearn>=0.18.1, tensorflow>=1.0
# NOTE: In order to make the code simple, we rewrite x * W_1 + b_1 = x' * W_1'
# where x' = [x | 1] and W_1' is the matrix W_1 appended with a new row with elements b_1's.
# Similarly, for h * W_2 + b_2
import tensorflow as tf
import numpy as np
from sklearn import datasets
from sklearn.model_selection import train_test_split
import pandas as pd
RANDOM_SEED = 1000
tf.set_random_seed(RANDOM_SEED)
def init_weights(shape):
""" Weight initialization """
weights = tf.random_normal(shape, stddev=0.1)
return tf.Variable(weights)
def forwardprop(X, w_1, w_2):
"""
Forward-propagation.
IMPORTANT: yhat is not softmax since TensorFlow's softmax_cross_entropy_with_logits() does that internally.
"""
h = tf.nn.sigmoid(tf.matmul(X, w_1)) # The \sigma function
yhat = tf.matmul(h, w_2) # The \varphi function
return yhat
def get_iris_data():
""" Read the iris data set and split them into training and test sets """
df = pd.read_csv("H:\MiniThessis\Sample.csv")
train_X = np.array(df[df.columns[0:3]])
train_Y = np.array(df[df.columns[3:]])
print(train_X)
# Convert into one-hot vectors
#num_labels = len(np.unique(train_Y))
#all_Y = np.eye(num_labels)[train_Y] # One liner trick!
#print()
return train_test_split(train_X, train_Y, test_size=0.33, random_state=RANDOM_SEED)
def main():
train_X, test_X, train_y, test_y = get_iris_data()
# Layer's sizes
x_size = train_X.shape[1] # Number of input nodes: 4 features and 1 bias
h_size = 256 # Number of hidden nodes
y_size = train_y.shape[1] # Number of outcomes (3 iris flowers)
# Symbols
X = tf.placeholder("float", shape=[None, x_size])
y = tf.placeholder("float", shape=[None, y_size])
# Weight initializations
w_1 = init_weights((x_size, h_size))
w_2 = init_weights((h_size, y_size))
# Forward propagation
yhat = forwardprop(X, w_1, w_2)
predict = tf.argmax(yhat, axis=1)
# Backward propagation
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y, logits=yhat))
updates = tf.train.GradientDescentOptimizer(0.01).minimize(cost)
# Run SGD
sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)
for epoch in range(3):
# Train with each example
for i in range(len(train_X)):
sess.run(updates, feed_dict={X: train_X[i: i + 1], y: train_y[i: i + 1]})
train_accuracy = np.mean(np.argmax(train_y, axis=1) == sess.run(predict, feed_dict={X: train_X, y: train_y}))
test_accuracy = np.mean(np.argmax(test_y, axis=1) ==sess.run(predict, feed_dict={X: test_X, y: test_y}))
print("Epoch = %d, train accuracy = %.2f%%, test accuracy = %.2f%%"
% (epoch + 1, 100. * train_accuracy, 100. * test_accuracy))
correct_Prediction = tf.equal((tf.arg_max(predict,1)),(tf.arg_max(y,1)))
best = sess.run([predict], feed_dict={X: np.array([[20.14, 46.93, 1014.66]])})
#print(correct_Prediction)
print(best)
sess.close()
if __name__ == '__main__':
main()
Grundsätzlich sind meine Daten wie folgt: 14.96, 220, 300, 400, 500 ........... Alle Eingaben (i. E. Werte in den ersten 3 Spalten sind Zahlen) sowie alle Die Ausgaben (i, e, Werte in den nächsten 2 Spalten sind auch Zahlen.) Also, im Grunde muss ich zwei Ausgaben Zahlen für die angegebenen 3 Eingabe Zahlen –
Und sind Ihre Daten in den letzten beiden Spalten kontinuierlich oder diskret? Gibt es irgendwelche Beziehung zwischen den beiden? –
die Daten in den letzten 2 Säulen ist völlig discete: My Daten ist wie folgt: A, V, AP Spalten sind Eingänge, AT \t V \t AP RH \t PE 14,96 \t 41,76 \t 1024,07 \t 73,17 \t 463,26 25,18 \t 62,96 \t 1020,04 \t 59,08 \t 444,37 5,11 \t 39,4 \t 1012,16 \t 92,14 \t 488,56 20,86 \t 57,32 \t 1010,24 \t 76,64 \t 446,48 10,82 \t 37,5 \t 1009,23 \t 96,62 \t 473,9 26,27 \t 59,44 \t 1012,23 \t 58,77 \t 443,67 15,89 \t 43,96 \t 1014,02 \t 75,24 \t 467,35 9,48 \t 44,71 \t 1019,12 \t 66,43 \t 478,42 14.64 1021,78 \t 41,25 \t 475,98 11,74 \t 43,56 \t 1015,14 \t 70,72 \t 477,5 –