Python tensorflow中未提供梯度（均方误差）_Python_Tensorflow_Neural Network_Artificial Intelligence

Python tensorflow中未提供梯度（均方误差）

python tensorflow neural-network artificial-intelligence

Python tensorflow中未提供梯度（均方误差）,python,tensorflow,neural-network,artificial-intelligence,Python,Tensorflow,Neural Network,Artificial Intelligence,我正试图建立一个由2个输入神经元（+1个偏差）组成的简单网络，将其连接到1个输出神经元，以教授“和”功能。它基于mnist clissification示例，因此对于任务来说可能过于复杂，但对于我来说，这是关于此类网络的一般结构，所以请不要说“你可以用numpy来做”之类的，这是关于tensorflow NNs的。下面是代码： import tensorflow as tf import numpy as np tf.logging.set_verbosity(tf.logging.INFO)

我正试图建立一个由2个输入神经元（+1个偏差）组成的简单网络，将其连接到1个输出神经元，以教授“和”功能。它基于mnist clissification示例，因此对于任务来说可能过于复杂，但对于我来说，这是关于此类网络的一般结构，所以请不要说“你可以用numpy来做”之类的，这是关于tensorflow NNs的。下面是代码：

import tensorflow as tf
import numpy as np

tf.logging.set_verbosity(tf.logging.INFO)

def model_fn(features, labels, mode):

    input_layer = tf.reshape(features["x"], [-1, 2])

    output_layer = tf.layers.dense(inputs=input_layer, units=1, activation=tf.nn.relu, name="output_layer")

    if mode == tf.estimator.ModeKeys.PREDICT:
        return tf.estimator.EstimatorSpec(mode=mode, predictions=output_layer)

    loss = tf.losses.mean_squared_error(labels=labels, predictions=output_layer)

    if mode == tf.estimator.ModeKeys.TRAIN:
        optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.001)
        train_op = optimizer.minimize(loss=loss, global_step=tf.train.get_global_step())
        return tf.estimator.EstimatorSpec(mode=mode, loss=loss, train_op=train_op)

    eval_metrics_ops = {"accuracy": tf.metrics.accuracy(labels=labels, predictions=output_layer)}
    return tf.estimator.EstimatorSpec(mode=mode, predictions=output_layer, loss=loss)

def main(unused_arg):

    train_data = np.asarray(np.reshape([[0,0],[0,1],[1,0],[1,1]],[4,2]))
    train_labels = np.asarray(np.reshape([0,0,0,1],[4,1]))

    eval_data = train_data
    eval_labels = train_labels

    classifier = tf.estimator.Estimator(model_fn=model_fn, model_dir="/tmp/NN_AND")

    tensors_to_log = {"The output:": "output_layer"}
    logging_hook = tf.train.LoggingTensorHook(tensors=tensors_to_log,every_n_iter=10)

    train_input_fn = tf.estimator.inputs.numpy_input_fn(x={"x":train_data}, y=train_labels, batch_size=10, num_epochs=None, shuffle=True)
    classifier.train(input_fn=train_input_fn, steps=2000, hooks=[logging_hook])

    eval_input_fn = tf.estimator.inputs.numpy_input_fn(x={"x":eval_data}, y=eval_labels, batch_size=1, shuffle=False)
    eval_results = classifier.evaluate(input_fn=eval_input_fn)
    print(eval_results)

if __name__ == "__main__":
    tf.app.run()

我对您的代码做了一些细微的修改，使您能够学习

和

功能：

1）将您的

train_数据

更改为float32表示

train_data = np.asarray(np.reshape([[0,0],[0,1],[1,0],[1,1]],[4,2]), dtype=np.float32)`

2）从输出层删除relu激活-一般来说，不建议在输出层中使用relu。这可能会导致死角，所有梯度都将等于零，这反过来又不会使任何学习成为可能

output_layer = tf.layers.dense(inputs=input_layer, units=1, activation=None, name="output_layer")

3）在您的

eval\u metrics\u ops

中，确保对结果进行四舍五入，以便您可以实际测量精度：

eval_metrics_ops = {"accuracy": tf.metrics.accuracy(labels=labels, predictions=tf.round(output_layer))}

4）不要将您定义的

eval\u metrics\u ops

参数添加到估计器：

return tf.estimator.EstimatorSpec(mode=mode, predictions=output_layer, loss=loss, eval_metric_ops=eval_metrics_ops)

此外，要记录最后一层输出，应使用：

tensors_to_log = {"The output:": "output_layer/BiasAdd:0"}