我已经写了一个基于这个Tensorflow example的代码 . 我没有任何意义的问题（这里缺少' either 1 or 0 ) so my question is what I'？
import tensorflow as tf
import numpy as np
import csv
import os
#defining batch fuuntion
def batch(iterable, n=1):
l = len(iterable)
for ndx in range(0, l, n):
yield iterable[ndx:min(ndx + n, l)]
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '3'
Training_File = 'Training.csv'
Test_File = 'Test.csv'
numberOFClasses = 19
batchSize = 19
# read training data
filePointer = open(Training_File, 'r', newline='')
reader = csv.reader(filePointer)
Training_Data = []
Training_Labels = []
row = next(reader)
len(row)
#### Getting Training_Data and labels
for row in reader:
Training_Data.append(row[:-2])
Training_Labels.append(row[-1])
# close TrainingFile and getting Data and labels from Test
len(Training_Data)
filePointer.close();
filePointer =open(Test_File, 'r', newline='')
reader = csv.reader(filePointer)
Test_Data = []
Test_Labels=[]
row = next(reader)
for row in reader:
Test_Data.append(row[:-2])
Test_Labels.append(row[-1])
len(Test_Labels)
filePointer.close()
len(Training_Data[0])
x = tf.placeholder('float',[None,len(row[:-2])])
w = tf.Variable(tf.zeros([len(row[:-2]),numberOFClasses]))
b = tf.Variable(tf.zeros([numberOFClasses]))
model = tf.add(tf.matmul(x,w),b)
y_ = tf.placeholder(tf.float32,[None,numberOFClasses])
y = tf.nn.softmax(model)
cross_entropy= -tf.reduce_sum(y_*tf.log(y),reduction_indices=[1])
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
sess = tf.Session()
sess.run(tf.global_variables_initializer())
index =0
batch_xs = []
batch_ys = []
batch_txs= []
batch_tys= []
# Training processing
for i in batch(Training_Data,batchSize):
batch_xs.append(i)
for i in batch(Training_Labels,batchSize):
batch_ys.append(i)
for i in batch(Test_Data,batchSize):
batch_txs.append(i)
for i in batch(Test_Labels,batchSize):
batch_tys.append(i)
#print(np.reshape(batch_ys[len],(1,batchSize)))
for i in range(len(batch_xs) -1 ):
sess.run(train_step,feed_dict={x:batch_xs[i],y_:np.reshape(batch_ys[i],(1,batchSize))})
correct_prediction = tf.equal(tf.arg_max(y,1),tf.arg_max(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction,"float"))
for i in range(len(batch_txs) -1):
print(sess.run(accuracy,feed_dict={x:batch_txs[i],y_:np.reshape(batch_tys[i],(1,batchSize))}))
UPDATE 我改变了批次的大小：
.............................................
numberOFClasses = 19
batchSize = 19 * 3
....................................
for i in range(int(len(batch_xs)/batchSize) ):
print(sess.run(train_step,feed_dict={x:batch_xs[i],y_:np.reshape(batch_ys[i],(batchSize,numberOFClasses))}))
correct_prediction = tf.equal(tf.arg_max(y,1),tf.arg_max(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction,"float"))
for i in range(len(batch_txs) -1):
print(sess.run(accuracy,feed_dict={x:batch_txs[i],y_:np.reshape(batch_tys[i],(1,batchSize))}))
结果仍然相同，所以我只是没有得到我在这里缺少的东西
2ndUpdate
运行这部分代码：对于范围内的j（len（batch_xs）-1）：print（sess.run（train_step，feed_dict = {x：batch_xs [j]，y_：np.reshape（batch_ys [j]，（ numberOFClasses，3））}））
提供了一个巨大的错误消息，但我想这部分是相关的：
InvalidArgumentError (see above for traceback): Incompatible shapes: [19,3] vs. [57,19]
[[Node: mul = Mul[T=DT_FLOAT, _device="/job:localhost/replica:0/task:0/cpu:0"](_recv_Placeholder_1_0, Log)]]
因此，由于我的批量大小是树的次数，所以我应该得到57个预测 - > Y_ .
塑造Y_ [57,1]
对于范围内的j（len（batch_xs）-1）：print（sess.run（train_step，feed_dict = {x：batch_xs [j]，y_：np.reshape（batch_ys [j]，（batchSize，1））}） ）
打印提供 None 作为返回值但没有错误（我猜）确定 .
但是运行精度部分会提供1和0，如开头所述 .
测试和训练数据和标签100％正确！
这是CSV文件结尾的一部分：
2 回答
它不能是您的问题或错误的来源，但我认为所有出现的行[： - 2]都应该被行[： - 1]替换，如果你想要除了一个所有索引（Python不包括索引）
end在row[begin:end]范围内给出你应该有：
无论如何，你应该绝对使用
batch_size != numberOFClasses，因为它会抛出一个错误，你可以用它来理解代码中的错误 . 如果不这样做，则会丢失异常消息，但错误仍然存在，隐藏（您的网络仍然无法了解您想要的内容） . 当你得到重新检查问题的错误外观，并试图理解为什么（看看形状是什么，应该是什么）从您的代码示例中，无法确切地说出（至少缺少batch（）和batchSize），但我的猜测是您有一个大小为1的批次（无论是否有意），因此您可以获得一个（如果样本被正确预测）或零（如果样本被错误分类） . 为了获得有意义的准确度，您需要评估更大的批次 .