Numpy Tensorflow不训练CIFAR-100数据

我正在尝试使用TensorFlow用CIFAR-100构建一个线性分类器。我从Martin Gorner的MNIST教程中获得了代码，并做了一些更改。当我运行这段代码时，tensorflow并没有进行训练（代码正在运行，但精度仍然为1.0，而损失（交叉熵仍然为4605.17），我不知道怎么回事，我实际上是TF的新手，非常感谢您的帮助

导入pickle
将numpy作为np导入
导入操作系统
导入tensorflow作为tf
从tensorflow.python.framework导入tensor\u util
输入数学
#导入数据
def取消勾选（文件）：
进口泡菜
打开（文件“rb”）作为fo时：
dict=pickle.load（fo，encoding='bytes'）
返回指令
cifar100_测试={}
cifar100_列车={}
labelMap={}
labelNames={}
#加载原始CIFAR-10数据。
cifar100_test=unpickle（'dataset/cifar-100-python/test'））
cifar100\u train=unpickle（'dataset/cifar-100-python/train'））
labelMap=unpickle（'dataset/cifar-100-python/meta'）
#tr表示训练数据，te表示测试数据，X表示数据，Y表示标签
Xtr=cifar100\U列[b'数据']
Yr=cifar100\u列车[b'精细标签']
Xte=cifar100_测试[b'数据']
Ye=cifar100_测试[b'精细标签']
classNames=labelMap[b'fine\u label\u names']
num_train=Xtr.shape[0]
num_test=Xte.shape[0]
num_class=len（类名）
Ytr=np.0（[num\u列，num\u类]）
Yte=np.零（[num\u测试，num\u类]）
Ytr[0:num\u列车，Yr[0:num\u列车]]=1
Yte[0:num_测试，Ye[0:num_测试]]=1
#作为健全性检查，我们打印出培训和测试数据的大小。
打印（'列车数据形状：'，Xtr.shape）
打印（'列车标签形状：'，本年度形状）
打印（'测试数据形状：'，Xte.shape）
打印（'测试标签形状：'，Yte.shape）
print（'Predicted Class的名称：'，classNames[0]）#标签名称的标记是该类的标记。
Xtrain=Xtr#[：1000]
Xtest=Xte#[：100]
Ytrain=Ytr[1000]
Ytest=Yte#[：100]
打印（'列车数据形状：'，Xtrain.shape）
打印（'列车标签形状：'，Ytrain.shape）
打印（'测试数据形状：'，Xtest.shape）
打印（'测试标签形状：'，Y测试形状）
Xtrain=np.重塑（Xtrain，（50000,32,32,3））.转置（0,1,2,3）.aType（float）
Xtest=np.重塑（Xtest，（10000,32,32,3））.转置（0,1,2,3）.aType（float）
Xbatches=np.split（Xtrain，500）#第二个数字是#个批次
Ybatches=np.split（np.asarray（Ytrain），500）；
XtestB=np.split（xtest100）；
YtestB=np.split（ytest100）；
打印（'X#批：'，len（Xbatches））
打印（'Y#批：'，len（Y批））
#输入X:28x28灰度图像，第一个维度（无）将索引小批量中的图像
X=tf.placeholder（tf.float32[100,32,32,3]）
#正确答案会在这里
Y=tf.占位符（tf.float32，[100100]）
#权重W[784,10]784=28*28
W=tf.变量（tf.零（[3072100]））
#偏见b[10]
b=tf.变量（tf.零（[100]））
#将图像展平为一行像素
#形状定义中的-1表示“保留元素数量的唯一可能尺寸”
XX=tf.重塑（X，[-13072]）
#模型
Y=tf.nn.softmax（tf.matmul（XX，W）+b）
#损失函数：交叉熵=-和（Y_i*log（Yi））
#Y：计算出的输出向量
#Y：所需的输出向量
#交叉熵
#log取每个元素的log，*将张量元素乘以元素
#reduce_-mean将把张量中的所有分量相加
#因此，这里我们得到了该批中所有图像的总交叉熵
cross_熵=-tf.reduce_mean（Y_*tf.log（Y））*1000.0#对100幅图像进行归一化，
#*10，因为“平均值”包含一个不需要的除以10的除法
#训练模型的精度，介于0（最差）和1（最佳）之间
正确的预测=tf.equal（tf.argmax（Y，1），tf.argmax（Y，1））
准确度=tf.reduce_平均值（tf.cast（正确的预测，tf.float32））
#培训，学习率=0.005
训练步长=tf.训练梯度降熵器（0.01）.最小化（交叉熵）
#初始化
init=tf.global_variables_initializer（）
sess=tf.Session（）
sess.run（初始化）
对于范围（500）内的i：
#反向传播训练步骤
t、 Loss=sess.run（[train\u step，cross\u entropy]，feed\u dict={X:Xbatches[i]，Y:Ybatches[i]}）
打印（丢失）
印刷品（一）
对于范围（100）内的i：
print（'accurity:'，sess.run（accurity，feed_dict={X:XtestB[i]，Y:YtestB[i]}））

在训练过程完成后，您计算了100次精度。那里不会有任何变化。您应该将

print（'accurity:'…）

放在执行反向传播的for循环中：

for i in range(500):
    # the backpropagation training step
    t, Loss = sess.run([train_step, cross_entropy], feed_dict={X: Xbatches[i], Y_: Ybatches[i]})
    print(Loss)
    print(i)
    print('accuracy:', sess.run(accuracy, feed_dict={X: XtestB[i], Y_: YtestB[i]}))

---

很抱歉，这是一个基本的错误。 我跟着改变了

Ytr[0:num_train, Yr[0:num_train]] = 1

Yte[0:num\u测试，Ye[0:num\u测试]]=1

与

Ytr[范围（数量列车）]、Yr\u温度[范围（数量列车）]]=1
Yte[范围（数值测试），Ye_温度[范围（数值测试）]]=1

---

第一个将所有值设为1，但我只想表示真正的类1和其他元素0。感谢您的时间。

您可以尝试使用随机值而不是零来初始化

W

变量吗？我已经尝试过了，但不起作用。@mrry实际上是为了测试准确性而这样做的，每次我都用不同的批处理调用它测试数据。所以它应该会有一些变化。我的问题是培训课程根本不起作用。损失也不会改变。当我运行代码时，它只是通过迭代快速完成。