Tensorflow 解释张量流输出

我有一个基于和训练工作的小型tensorflow网络，精度测试为~0.85。现在还可以。我将网络状态保存到检查点。现在我正在尝试测试网络，但我不知道如何解释输出。 如果为了训练，我使用了

8

输出神经元，并且

test\u neural\u network

的输出是

3

我如何知道3对应的是什么。我猜是第三个输出神经元，但我怎么知道输出神经元的顺序和第三个输出神经元是什么

def test_neural_network():
    prediction = neural_network_model(p_inputdata)
    with tf.Session() as sess:
        sess.run(tf.global_variables_initializer())

        if path.isfile(temp_dir + "\\" + checkpointlabel + ".ckpt.index"):
            saver.restore(sess, temp_dir + "\\" + checkpointlabel + ".ckpt")

        with open(test_data_file, "r") as file:
            for line in file:
                testdata = np.array(re.split(csvseperatorRE, line.rstrip("\n"))[:-1])
                label    = re.split(csvseperatorRE, line.rstrip("\n"))[-1:][0]
                result = sess.run(tf.argmax(prediction.eval(feed_dict={p_inputdata: [testdata]}),1))

编辑
以下是培训信息和结果
培训标签：

Sebastiaan      [1 0 0 0 0 0 0 0]
Rob             [0 1 0 0 0 0 0 0]
Christina       [0 0 1 0 0 0 0 0]
Halleh          [0 0 0 1 0 0 0 0]
Vincent         [0 0 0 0 1 0 0 0]
MisterX         [0 0 0 0 0 1 0 0]
Frank           [0 0 0 0 0 0 1 0]
GerritJan       [0 0 0 0 0 0 0 1]

神经网络功能测试结果： O和X的正确性取决于培训标签的顺序。我不知道这是否正确

O = Correct
X = Not correct
[0-7] = result of test_neural_network
Name = expected result

X   [3] Christina
X   [3] Christina
O   [2] Christina
X   [3] Frank
X   [5] Frank
X   [3] Frank
X   [0] Frank
X   [2] Frank
X   [0] Frank
X   [3] GerritJan
X   [5] GerritJan
X   [1] GerritJan
O   [3] Halleh
O   [3] Halleh
O   [3] Halleh
X   [3] MisterX
X   [3] MisterX
X   [3] MisterX
X   [3] Rob
X   [3] Rob
X   [5] Rob
X   [5] Sebastiaan
X   [5] Sebastiaan
X   [5] Sebastiaan
X   [3] Vincent
X   [5] Vincent
X   [3] Vincent

---

正如您所指出的，您的模型有八个输出。每个输出的意义取决于您！或者，更具体地说，取决于您的数据。该示例似乎是一个相当标准的前馈模型，使用ReLU激活和softmax交叉熵作为损失函数（这是多类分类问题的典型选择，如您正在介绍的问题）。正如您所指出的，每个培训示例都标有一个1和0的向量，每个代表一个人，对吗？因此，网络将尝试学习正确的参数，例如，当您给出属于“Sebastiaan”的示例时，第一个输出为“大”，其余输出为“小”；什么是“大”和“小”取决于很多事情，但基本上你会希望在第一个位置上拥有最大的价值。其他名字也一样

如果您查看如何计算

神经网络测试中的
结果
：

result = sess.run(tf.argmax(prediction.eval(feed_dict={p_inputdata: [testdata]}),1))

您使用的是
tf.argmax
，意思是“此向量中最大值的索引是什么”（其中“此向量”是神经网络的输出）；因此，您得到的是网络“认为”应该是与您给定的输入相关联的名称，表示为一个数字（索引是以零为基础的，所以我猜您是在打印之前向结果添加一个）

因此，最终，输出的意义和顺序取决于标签的意义和顺序。
我将正确/不正确更改为零基thx，以供建议：）在训练过程中，我使用在
测试神经网络中使用的相同数据检查我的准确度，但准确度约为85%。当您查看测试神经网络功能的结果时，它大约是14.8，这是怎么可能的？输出
2
是否应与
[0 0 0 1 0 0 0 0 0 0 0 0 0]
对应，因为它是列表的第二个索引？@GertKommer是的，
2
将与第二个位置有
1
的向量对应（这被称为一个热编码，TensorFlow在中实现了它）。至于准确性，有两个想法：1）也许你在比较基于0的索引和基于1的索引？2) 85 + 14.8 ≈ 100，所以这两个数字中的一个可能不是准确度，而是误差（一减去准确度）？我想我理解你的一个热门解释。我还发现了
test\u neural\u network
的准确度为何如此之低。在创建输出权重和偏差变量之前，我调用了
tf.train.Saver（）
函数，因此它们不会保存在检查点中。。。