Python TensorFlow XOR NN评估函数错误

我正在尝试使用vanilla tensorflow编写一个XOR MLP，但我一直在试图找出如何编写eval函数

我收到错误

InvalidArgumentError（回溯见上文）：目标[1]超出范围
。当注释掉
准确性.eval
行时，不会产生错误。这是我的密码：

import numpy as np
import tensorflow as tf

n_inputs = 2
n_hidden = 3
n_outputs = 1

def reset_graph(seed=42):
    tf.reset_default_graph()
    tf.set_random_seed(seed)
    np.random.seed(seed)

reset_graph()

X = tf.placeholder(tf.float32, shape=(None, n_inputs), name='X')
y = tf.placeholder(tf.float32, shape=(None), name='y')

def neuron_layer(X, n_neurons, name, activation=None):
    with tf.name_scope(name):
        n_inputs = int(X.get_shape()[1])
        stddev = 2 / np.sqrt(n_inputs)
        init = tf.truncated_normal((n_inputs, n_neurons), stddev=stddev)
        W = tf.Variable(init, name="weights")
        b = tf.Variable(tf.zeros([n_neurons]), name="bias")
        Z = tf.matmul(X, W) + b
        if activation is not None:
            return activation(Z)
        else: return Z

with tf.name_scope('dnn'):
    hidden = neuron_layer(X, n_hidden, name='hidden', activation=tf.nn.sigmoid)
    logits = neuron_layer(hidden, n_outputs, name='outputs')

with tf.name_scope('loss'):
    bin_xentropy = tf.nn.sigmoid_cross_entropy_with_logits(labels=y, logits=logits)
    loss = tf.reduce_mean(bin_xentropy, name='loss')    

learning_rate = 0.1

with tf.name_scope('train'):
    optimizer = tf.train.GradientDescentOptimizer(learning_rate=learning_rate)
    training_op = optimizer.minimize(loss)

with tf.name_scope('eval'):    
    correct = tf.nn.in_top_k(logits, tf.cast(y,tf.int32), 1)
    accuracy = tf.reduce_mean(tf.cast(correct, tf.float32))
    accuracy_summary = tf.summary.scalar('accuracy', accuracy)


init = tf.global_variables_initializer()
saver = tf.train.Saver()

n_epochs = 100
batch_size = 4

def shuffle_batch(X, y, batch_size): # not really needed for XOR
    rnd_idx = np.random.permutation(len(X))
    n_batches = len(X) // batch_size
    for batch_idx in np.array_split(rnd_idx, n_batches):
        X_batch, y_batch = X[batch_idx], y[batch_idx]
        yield X_batch, y_batch

X_train = [
    (0, 0),
    (0, 1),
    (1, 0),
    (1, 1)
]
y_train = [0,1,1,0]    

X_train = np.array(X_train)
y_train = np.array(y_train)

with tf.Session() as sess:
    init.run()
    for epoch in range(n_epochs):
        for X_batch, y_batch in shuffle_batch(X_train, y_train, batch_size):
            sess.run(training_op, feed_dict={X: X_batch, y: y_batch})        
        acc = accuracy.eval(feed_dict={X: X_train, y: y_train})
        print(acc)

有人能告诉我这个函数有什么问题吗？我尝试改编机器学习手册中MNIST示例中的XOR。
我不太清楚您想用它实现什么

correct=tf.nn.in\u top\u k（logits，tf.cast（y，tf.int32），1）

我建议使用

correct=tf.equal(
重塑(
tf.更大的_相等（tf.nn.乙状结肠（logits），0.5），[-1]
), 
tf.cast（y，tf.bool）
)

编辑：我注意到在给定的解决方案中，精度一直停留在0.5。通过做以下更改，我能够使这个解决方案工作（精度：100.0）

将网络更改为以下内容。（使用tanh，使用两个隐藏层）

带有tf.name_范围（'dnn'）的
：
hidden1=神经元层（X，n_hidden，name='hidden1'，activation=tf.nn.tanh）
hidden2=神经元层（hidden1，n_隐藏，name='hidden2'，activation=tf.nn.tanh）
logits=neuron\u层（hidden2，n\u输出，name='outputs'）

和
n_hidden=7
，
n_epochs=5

注意：我不确定为什么它需要两个隐藏层。但显然，它需要在这种设置下工作。
嗯，谢谢，这更有意义，只是似乎有些事情发生了逆转，因为它变得更糟而不是更好。我用另一个发现编辑了我的解决方案。希望这对汉克斯有帮助！我从另一个问题中发现，我也应该让目标标签成为一个列表列表。也许这是问题的一部分（或全部）。