Python 稀疏\u softmax\u cross\u熵\u与\u logits结果比softmax\u cross\u熵\u与\u logits结果更差
我用tensorflow实现了经典的图像分类问题,我有9个类,首先我使用Python 稀疏\u softmax\u cross\u熵\u与\u logits结果比softmax\u cross\u熵\u与\u logits结果更差,python,tensorflow,deep-learning,softmax,Python,Tensorflow,Deep Learning,Softmax,我用tensorflow实现了经典的图像分类问题,我有9个类,首先我使用softmax\u cross\u entropy\u和\u logits作为分类器和训练网络,经过一些步骤后,训练精度达到99%左右 然后用sparse\u softmax\u cross\u entropy\u和
softmax\u cross\u entropy\u和\u logits
作为分类器和训练网络,经过一些步骤后,训练精度达到99%左右
然后用sparse\u softmax\u cross\u entropy\u和
测试同样的问题,这次它根本不收敛(训练精度约为0.10和0.20)
仅供参考,对于softmax\u cross\u entropy\u with_logits
,我使用带有dtype float32的[batch\u size,num\u classes]作为标签,对于sparse\u softmax\u cross\u entropy\u with_logits
,我使用带有dtype int32的[batch\u size]作为标签
有人知道吗
更新:
this is code:
def costFun(self):
self.y_ = tf.reshape(self.y_, [-1])
return tf.reduce_mean(tf.nn.sparse_softmax_cross_entropy_with_logits(self.score_, self.y_))
def updateFun(self):
return tf.train.AdamOptimizer(learning_rate = self.lr_).minimize(self.cost_)
def perfFun(self):
correct_pred = tf.equal(tf.argmax(self.score_,1), tf.argmax(y,1))
return(tf.reduce_mean(tf.cast(correct_pred, tf.float32)))
def __init__(self,x,y,lr,lyr1FilterNo,lyr2FilterNo,lyr3FilterNo,fcHidLyrSize,inLyrSize,outLyrSize, keepProb):
self.x_ = x
self.y_ = y
self.lr_ = lr
self.inLyrSize = inLyrSize
self.outLyrSize_ = outLyrSize
self.lyr1FilterNo_ = lyr1FilterNo
self.lyr2FilterNo_ = lyr2FilterNo
self.lyr3FilterNo_ = lyr3FilterNo
self.fcHidLyrSize_ = fcHidLyrSize
self.keepProb_ = keepProb
[self.params_w_, self.params_b_] = ConvNet.paramsFun(self)
self.score_, self.PackShow_ = ConvNet.scoreFun (self)
self.cost_ = ConvNet.costFun (self)
self.update_ = ConvNet.updateFun(self)
self.perf_ = ConvNet.perfFun (self)
主要内容:
我发现了这个问题,多亏@mrry提供了有益的意见,实际上我在计算准确性方面犯了错误,事实上,“稀疏_softmax”和“softmax”对于输入登录具有相同的损失(或成本) 为了计算的准确性,我改变了
correct\u pred=tf.equal(tf.argmax(self.score,1),tf.argmax(y,1))
到
correct\u pred=tf.equal(tf.argmax(self.score,1),y))
因为在“sparse\u softmax”中,地面真值标签不是一种热向量格式,而是实数int32或int64。这两个操作应该为相同的逻辑和相同的标签在一个热(
tf.train.softmax\u cross\u entropy\u with\u logits()
)或sparse中产生相同的结果(tf.train.sparse\u softmax\u cross\u entropy\u with\u logits()
)格式。你检查过这两个操作对相同的输入计算相同的损失吗?你能显示你在每个版本中使用的代码吗?@mrry谢谢你的回答,不,我在使用稀疏和softmax的相同登录中没有得到相同的结果,我也发布了我的代码,我使用32x32输入形状,9个类和其他东西,我删除了一些部分为了更具可读性,再次感谢您的关注
lyr1FilterNo = 32
lyr2FilterNo = 64
lyr3FilterNo = 128
fcHidLyrSize = 1024
inLyrSize = 32 * 32
outLyrSize = 9
lr = 0.001
batch_size = 300
dropout = 0.5
x = tf.placeholder(tf.float32, [None, inLyrSize ])
y = tf.placeholder(tf.int32, None )
ConvNet_class = ConvNet(x,y,lr,lyr1FilterNo,lyr2FilterNo,lyr3FilterNo,fcHidLyrSize,inLyrSize,outLyrSize, keepProb)
initVar = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(initVar)
for step in range(10000):
trData_i = np.reshape( trData_i , ( -1, 32 * 32 ) )
trLabel_i = np.reshape( trLabel_i, ( -1, 1 ) )
update_i, PackShow, wLyr1_i, wLyr2_i, wLyr3_i = sess.run([ConvNet_class.update_, ConvNet_class.PackShow_,
ConvNet_class.params_w_['wLyr1'], ConvNet_class.params_w_['wLyr2'], ConvNet_class.params_w_['wLyr3']],
feed_dict = { x:trData_i, y:trLabel_i, keepProb:dropout} )