Python-Tensorflow,二进制分类,总是预测0
我只是从Tensorflow开始,试图创建一个用于二进制分类的经典神经网络Python-Tensorflow,二进制分类,总是预测0,python,tensorflow,neural-network,Python,Tensorflow,Neural Network,我只是从Tensorflow开始,试图创建一个用于二进制分类的经典神经网络 # Loading Dependencies import math import numpy as np import pandas as pd import tensorflow as tf from tensorflow.python.framework import ops from sklearn.model_selection import train_test_split import matplotli
# Loading Dependencies
import math
import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow.python.framework import ops
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt
seed = 1234
tf.set_random_seed(seed)
np.random.seed(seed)
# Load and Split data
data = pd.read_json(file)
X = data["X"]
y = data["y"]
X = X.astype(np.float32)
y = y.astype(np.float32)
X_train, X_valid, y_train, y_valid = train_test_split(X, y, test_size = 0.3)
X_train = X_train.reshape(X_train.shape[0], -1).T
y_train = y_train.values.reshape((1, y_train.shape[0]))
X_valid = X_valid.reshape(X_valid.shape[0], -1).T
y_valid = y_valid.values.reshape((1, y_valid.shape[0]))
print("X Train: ", X_train.shape)
print("y Train: ", y_train.shape)
print("X Dev: ", X_valid.shape)
print("y Dev: ", y_valid.shape)
X列:(168751122)y列:(11122)
X开发:(16875482)
y发展:(1482)
训练数据包含浮点数,而标签仅为0或1。然而,这些也被转换为浮动,因为我在过去有一些问题 初始化参数
def initialize_parameters(layer_dimensions):
tf.set_random_seed(seed)
layers_count = len(layer_dimensions)
parameters = {}
for layer in range(1, layers_count):
parameters['W' + str(layer)] = tf.get_variable('W' + str(layer),
[layer_dimensions[layer], layer_dimensions[layer - 1]],
initializer = tf.contrib.layers.xavier_initializer(seed = seed))
parameters['b' + str(layer)] = tf.get_variable('b' + str(layer),
[layer_dimensions[layer], 1],
initializer = tf.zeros_initializer())
return parameters
形状为:W1-(5016875)
W2-(25,50)
W3-(10,25)
W4-(5,10)
W5-(1,5)
b1-(50,1)
b2-(25,1)
b3-(10,1)
b4-(5,1)
b5-(1,1)
调用模型时,我指定了每个层的编号和尺寸(见下文) 正向传播
def forward_propagation(X, parameters):
parameters_count = len(parameters) // 2
A = X
for layer in range(1, parameters_count):
W = parameters['W' + str(layer)]
b = parameters['b' + str(layer)]
Z = tf.add(tf.matmul(W, A), b)
A = tf.nn.relu(Z)
W = parameters['W' + str(parameters_count)]
b = parameters['b' + str(parameters_count)]
Z = tf.add(tf.matmul(W, A), b)
return Z
计算成本(我使用的是sigmoid函数,因为我们处理的是二进制分类)
把它放在一起
def model(X_train, y_train, X_valid, y_valid, layer_dimensions, alpha = 0.0001, epochs = 10):
ops.reset_default_graph()
tf.set_random_seed(seed)
(x_rows, m) = X_train.shape
y_rows = y_train.shape[0]
costs = []
X = tf.placeholder(tf.float32, shape=(x_rows, None), name="X")
y = tf.placeholder(tf.float32, shape=(y_rows, None), name="y")
parameters = initialize_parameters(layer_dimensions)
Z = forward_propagation(X, parameters)
cost = compute_cost(Z, y)
optimizer = tf.train.AdamOptimizer(learning_rate = alpha).minimize(cost)
init = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
for epoch in range(epochs):
_ , epoch_cost = sess.run([optimizer, cost], feed_dict={X: X_train, y: y_train})
print ("Cost after epoch %i: %f" % (epoch + 1, epoch_cost))
costs.append(epoch_cost)
parameters = sess.run(parameters)
correct_predictions = tf.equal(tf.argmax(Z), tf.argmax(y))
accuracy = tf.reduce_mean(tf.cast(correct_predictions, "float"))
print ("Train Accuracy:", accuracy.eval({X: X_train, y: y_train}))
print ("Test Accuracy:", accuracy.eval({X: X_valid, y: y_valid}))
return parameters
现在,当我尝试训练我的模型时,它似乎从第二个时代开始达到了一个最佳状态,从那时起,成本几乎没有变化
parameters = model(X_train, y_train, X_valid, y_valid, [X_train.shape[0], 50, 25, 10, 5, 1])
第1纪元后的成本:8.758244第2纪元后的成本:0.693096
第3纪元后的成本:0.692992
第4纪元后的成本:0.692737
第5纪元后的成本:0.697333
第6纪元后的成本:0.693062
第7纪元后的成本:0.693151
第8纪元后的成本:0.693152
第9纪元后的成本:0.693152
第10纪元后的成本:0.693155
现在来看预测
def predict(X, parameters):
parameters_count = len(parameters) // 2
params = {}
for layer in range(1, parameters_count + 1):
params['W' + str(layer)] = tf.convert_to_tensor(parameters['W' + str(layer)])
params['b' + str(layer)] = tf.convert_to_tensor(parameters['b' + str(layer)])
(x_columns, x_rows) = X.shape
X_test = tf.placeholder(tf.float32, shape=(x_columns, x_rows))
Z = forward_propagation(X_test, params)
p = tf.argmax(Z)
sess = tf.Session()
prediction = sess.run(p, feed_dict = {X_test: X})
return prediction
然而,这将在任何情况下预测0
predictions = predict(X_valid, parameters)
predictions
数组([0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
0,0,0,0,0
X Train: (16875, 1122)
每个样本有16875个特征,但只有1122个序列数据。
我认为这可能还不够
tensorflow get started中的示例代码只包含784个特性
x = tf.placeholder(tf.float32, shape=[None, 784])
y_ = tf.placeholder(tf.float32, shape=[None, 10])
MNIST数据分为三部分:55000个训练数据点(MNIST.train)、10000个测试数据点(MNIST.test)和5000个验证数据点(MNIST.validation).这种划分非常重要:在机器学习中,我们必须有单独的数据,而这些数据是我们无法从中学习的,这样我们才能确保我们所学的东西实际上是泛化的!
每个样本有16875个特征,但只有1122个序列数据。
我认为这可能还不够
tensorflow get started中的示例代码只包含784个特性
x = tf.placeholder(tf.float32, shape=[None, 784])
y_ = tf.placeholder(tf.float32, shape=[None, 10])
MNIST数据分为三部分:55000个训练数据点(MNIST.train)、10000个测试数据点(MNIST.test)和5000个验证数据点(MNIST.validation).这种划分非常重要:在机器学习中,我们必须有单独的数据,而这些数据是我们无法从中学习的,这样我们才能确保我们所学的东西实际上是泛化的!
我同意更多的数据会有帮助,但这不是问题所在。我应该能够得到至少某种类型的预测,即使它们不是那么准确。我还有一个测试集,没有加载到我发布的代码中,但结果是相同的,Z的输出是什么?Z=前向传播(X_测试,参数)p=tf.argmax(Z)sess=tf.Session()prediction=sess.run(p,feed_dict={X_test:X})我同意更多的数据会有帮助,但这不是问题所在。我应该能够得到至少某种类型的预测,即使它们不是那么准确。我还有一个测试集,没有加载到我发布的代码中,但结果是相同的,Z的输出是什么?Z=前向传播(X_测试,参数)p=tf.argmax(Z)sess=tf.Session()prediction=sess.run(p,feed_dict={X_test:X})实际标签的百分比是0?可能一切都正常。但是,由于ReLUs受到即将消亡的ReLU问题的影响,您可以尝试使用类似leaky ReLUs的内容。此外,您可以尝试只使用一层,看看这是否会产生不同的结果。结果证明您是对的。我的ReLU函数s确实正在消亡,我的所有功能最终都是0。我切换到leaky ReLUs并开始看到一些结果。感谢@Stephen的提示,您的实际标签中有多少百分比是0?可能所有功能都正常工作。但是,由于ReLUs面临着消亡ReLU问题,您可以尝试使用类似leak的功能y ReLUs。另外,你可以试着只使用一个层,看看是否会得到不同的结果。结果证明你是对的。我的ReLU函数确实正在消亡,我的所有功能最终都是0。我切换到了leaky ReLUs并开始看到一些结果。谢谢你的提示@Stephen