Tensorflow 张量流预测

我正在研究这一点，我在下面的代码中发现：在评估预测时，他运行精度，这运行正确的变量，这反过来运行预测，这将使用随机数重新初始化权重，并重建NN模型。这是怎么回事？我错过了什么

def神经网络模型（数据）：
隐藏的_1_层={'weights'：tf.Variable（tf.random_normal（[784，n_nodes_hl1]），
“偏差”：tf.Variable（tf.random_normal（[n_nodes_hl1]））
隐藏的_2_层={'weights'：tf.Variable（tf.random_normal（[n_nodes_hl1，n_nodes_hl2]），
“偏差”：tf.Variable（tf.random_normal（[n_nodes_hl2]））
隐藏的_3_层={'weights'：tf.Variable（tf.random_normal（[n_nodes_hl2，n_nodes_hl3]），
“偏差”：tf.Variable（tf.random_normal（[n_nodes_hl3]））
输出_层={'weights'：tf.Variable（tf.random_normal（[n_节点_hl3，n_类]），
“偏差”：tf.Variable（tf.random_normal（[n_类]），}
l1=tf.add（tf.matmul（数据，隐藏层['weights'）），隐藏层['biases'））
l1=tf.nn.relu（l1）
l2=tf.add（tf.matmul（l1，隐藏的\u 2\u层['权重]），隐藏的\u 2\u层['偏差]）
l2=tf.nn.relu（l2）
l3=tf.add（tf.matmul（l2，隐藏层['weights'）），隐藏层['biases'））
l3=tf.nn.relu（l3）
输出=tf.matmul（l3，输出层['weights']）+输出层['biases']
返回输出
def系列神经网络（x）：
预测=神经网络模型（x）
成本=tf.reduce\u mean（tf.nn.softmax\u cross\u熵与logits（预测，y））
优化器=tf.train.AdamOptimizer（）。最小化（成本）
hm_时代=10
使用tf.Session（）作为sess：
sess.run（tf.global\u variables\u initializer（））
对于范围内的历元（hm_历元）：
历元损失=0
对于范围内的（int（mnist.train.num\u示例/批次大小））：
历元x，历元y=mnist.train.next\u批次（批次大小）
_，c=sess.run（[optimizer，cost]，feed_dict={x:epoch_x，y:epoch_y}）
历元损失+=c
打印（'Epoch'，Epoch，'completed of'，hm_epochs，'loss:'，Epoch_loss）
correct=tf.equal（tf.argmax（预测，1），tf.argmax（y，1））
准确度=tf.reduce_平均值（tf.cast（正确的“浮动”））
打印（'accurity:'，accurity.eval（{x:mnist.test.images，y:mnist.test.labels}））
训练神经网络（x）

你几乎做对了。

精度

张量间接取决于

预测

张量，它取决于张量

x

。在您的代码片段中，您没有包括

x

实际上是什么；但是，在链接教程中：

x=tf.placeholder（'float'，[None，784]）
y=tf.占位符（'float'）

因此，

x

是一个占位符，即直接从用户处获取其值的张量。从文章的最后一行还不完全清楚

训练神经网络（x）

他实际上并不是在调用一个转换函数

train\u neural\u network（x）

，它接受一个

x

并动态处理它，就像你从常规函数中所期望的那样；相反，该函数使用对先前定义的占位符变量（实际上是假人）的引用来定义计算图，然后使用会话直接执行。 然而，该图仅使用

神经网络模型（x）

构建一次，然后查询给定数量的历元

你错过的是：

运行（[optimizer，cost]，feed\u dict={x:epoch\u x，y:epoch\u y}） 如果输入值为

x

的

epoch\ux

，以及

y

的

epoch\uy

，则查询

优化器

操作的结果和

成本

张量，通过所有定义的计算节点将数据拉回到

x

。为了获得

成本

，还需要

y

。两者都由调用者提供。

AdamOptimizer

将更新所有可训练变量作为其执行的一部分，从而改变网络的权重

此后,

accurity.eval（{x:mnist.test.images，y:mnist.test.labels}）

或者，相当于

sess.run（准确度，feed_dict={x:mnist.test.images，y:mnist.test.labels}）

然后对同一图形进行另一次求值（不更改），但这次使用

mnist.test.images

for

x

和

mnist.test.labels

for

y

的输入。 它之所以能工作，是因为

预测

本身取决于

x

，它在每次调用

sess.run（…）

时都会被用户提供的值覆盖

这是TensorBoard中的图形。很难说，但两个占位符节点位于左下角，紧挨着名为“Variable”的橙色节点，位于右中，绿色“Slice_1”的下方

下面是网络图的相关部分的样子；我用TensorBoard导出了这个。这有点难，因为节点没有手动标记（除了我自己标记的几个节点），但这里有六个相关点。占位符是黄色的：在右下角你会看到

x

，而

y

在左中。 绿色是对我们有意义的中间值：左边是

预测

张量，右边是名为

正确

的张量。蓝色部分是图表的端点：在左上角有

成本

张量，在右上角你会发现

精度

。从本质上讲，数据是从底部流向顶部的

因此，每当你说“评估

预测
给定
x
”、“评估
准确度
给定
x
和
y
”或“优化我的网络给定
x
和
y
”，你实际上只是在黄色末端和obse上提供值