Python TensorFlow，根据rssi输入预测X，Y位置
我是tensorflow的新手，我尝试创建一个模型，该模型将预测基于X和Y坐标的输入，该输入由86个变量组成，这些变量确定从位于建筑物内的86个扫描中接收到的信号强度。我有340个测试数据。我解析了它们并将它们放入两个.csv文件中 第一组包含有序信号强度。我将其保存为data.csv。 第二个文件包含当时仪表所在的坐标。我将其保存为labes.csv。 我已经创建了一个模型，但不幸的是，它的准确性只改变了两个训练步骤。如果要生成tf.summary.merge_all（），将出现以下错误：。如果我删除这一行，培训将成功结束，但除了前两个步骤外，准确性不会改变： 此处的错误消息： 汇总柱状图中的Nan：偏差Python TensorFlow，根据rssi输入预测X，Y位置,python,csv,tensorflow,training-data,tensor,Python,Csv,Tensorflow,Training Data,Tensor,我是tensorflow的新手，我尝试创建一个模型，该模型将预测基于X和Y坐标的输入，该输入由86个变量组成，这些变量确定从位于建筑物内的86个扫描中接收到的信号强度。我有340个测试数据。我解析了它们并将它们放入两个.csv文件中 第一组包含有序信号强度。我将其保存为data.csv。 第二个文件包含当时仪表所在的坐标。我将其保存为labes.csv。 我已经创建了一个模型，但不幸的是，它的准确性只改变了两个训练步骤。如果要生成tf.summary.merge_all（），将出现以下错误：
[[Node: Biases = HistogramSummary[T=DT_FLOAT, _device="/job:localhost/replica:0/task:0/device:CPU:0"](Biases/tag, Bias/read)]]
[[Node: Biases = HistogramSummary[T=DT_FLOAT, _device="/job:localhost/replica:0/task:0/device:CPU:0"](Biases/tag, Bias/read)]]
vspd.debug(filename, port_num, debug_id, debug_options, run_as)
exec_file(file, globals_obj)
exec_code(code, file, global_variables)
exec(code_obj, global_variables)
tf.summary.histogram("Biases", b)
tag=tag, values=values, name=scope)
"HistogramSummary", tag=tag, values=values, name=name)
op_def=op_def)
op_def=op_def)
self._traceback = self._graph._extract_stack() # pylint: disable=protected-access
[[Node: Biases = HistogramSummary[T=DT_FLOAT, _device="/job:localhost/replica:0/task:0/device:CPU:0"](Biases/tag, Bias/read)]]
[[Node: Biases = HistogramSummary[T=DT_FLOAT, _device="/job:localhost/replica:0/task:0/device:CPU:0"](Biases/tag, Bias/read)]]
import tensorflow as tf
import numpy as np
data = np.genfromtxt("dataExcel.csv", delimiter=';')
labels = np.genfromtxt("labelsExcel.csv", delimiter=';')
inputs = 86
outputs = 2
x = tf.placeholder(tf.float32, shape=[None, inputs], name='input_X')
y = tf.placeholder(tf.float32, shape=[None, outputs], name='output_Y')
tf.summary.histogram("input_X",x)
tf.summary.histogram("output_Y",y)
W = tf.Variable(tf.zeros([86, 2]), name="Weight")
b = tf.Variable(tf.zeros([2]), name="Bias")
tf.summary.histogram("Weights", W)
tf.summary.histogram("Biases", b)
with tf.name_scope("softmax") as scope:
softmax = tf.nn.softmax(tf.matmul(x, W) + b)
with tf.name_scope("cross_entropy_also_cost_function") as scope:
cross_entropy = -tf.reduce_sum(y*tf.log(softmax))
tf.summary.scalar("cross_entropy", cross_entropy)
with tf.name_scope("train") as scope:
optimizer = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
with tf.name_scope("accuracy"):
prediction = tf.equal(tf.argmax(softmax,1),tf.argmax(y,1))
accuracy = tf.reduce_mean(tf.cast(prediction,tf.float32))
tf.summary.scalar("accuracy", accuracy)
merged_summary = tf.summary.merge_all()
init = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
avg_cost = 0.
writer = tf.summary.FileWriter("/tmp/Location")
writer.add_graph(sess.graph)
for i in range(1001):
sess.run(optimizer, feed_dict={x: train_batch_x, y: train_batch_y})
avg_cost += sess.run(cross_entropy, feed_dict={x: train_batch_x, y: train_batch_y})
tf.summary.scalar("avrage cost", avg_cost)
merged_summary_string = sess.run(merged_summary, feed_dict={x: train_batch_x, y: train_batch_y})
writer.add_summary(merged_summary_string, i)
train_accuracy = sess.run(accuracy, feed_dict={x: train_batch_x, y: train_batch_y})
print("STEP:", i,"=>", train_accuracy,"% accuracy.")
writer.close()
with tf.name_scope("softmax") as scope:
softmax = tf.nn.softmax(tf.matmul(x, W) + b)
with tf.name_scope("softmax") as scope:
softmax = tf.nn.softmax_cross_entropy_with_logits()'
但是这个函数的输入是什么呢 请将CSV和控制台输出作为文本而不是图像包含在您的问题中。NaN在tensorflow中可能意味着许多事情。通常无效数据或学习率过大。如果没有更多的调试，很难说。感谢您的回复！我添加了data.csv和labels.csv的外观。还添加了错误代码！谢谢你的建议。通过记录softmax的输出来实现交叉熵在数值上是不稳定的，可能会导致NAN。你试过用tf.nn.softmax\u cross\u entropy\u代替logits吗？我编辑了我的代码。我试着使用你建议的函数，但我不知道，输入应该是什么？