Variables Tensorflow:关于会话运行后的变量值?
在张量中,我不理解变量的值。下面是我的代码,我想以后我会的Variables Tensorflow:关于会话运行后的变量值?,variables,tensorflow,Variables,Tensorflow,在张量中,我不理解变量的值。下面是我的代码,我想以后我会的 sess.run() 应该计算W的值,但是,打印后,我发现它没有改变 该代码是来自TensorFlow网站的示例代码。任何人都可以解释为什么W没有改变 from tensorflow.examples.tutorials.mnist import input_data import tensorflow as tf mnist = input_data.read_data_sets("MNIST_dat/",one_hot=Tr
sess.run()
应该计算W的值,但是,打印后,我发现它没有改变
该代码是来自TensorFlow网站的示例代码。任何人都可以解释为什么W没有改变
from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
mnist = input_data.read_data_sets("MNIST_dat/",one_hot=True)
x= tf.placeholder(tf.float32,[None,784])#need input x
W= tf.Variable(tf.zeros([784,10]))
b= tf.Variable(tf.zeros([10]))
y= tf.nn.softmax(tf.matmul(x,W)+b)
y_= tf.placeholder(tf.float32,[None,10])#need input y
cross_entropy = tf.reduce_mean(-tf.reduce_mean(y_*tf.log(y),reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
for i in range(1000):
batch_xs,batch_ys = mnist.train.next_batch(100)
sess.run(train_step,feed_dict={x:batch_xs,y_:batch_ys})
ww=W.eval(sess)
print(ww)
好的,当我运行代码时,我得到的输出如下 [[ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.] ..., [ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.]] [[ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.] ..., [ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.]] 但是你必须意识到,W是784乘以100个元素,这个显示只显示了开头和结尾的几个值。对于MNIST中的大多数图像,第一个像素和最后几个像素将不那么重要(实际的重要数据在中间的某个地方,绘制实际的数字,对不对?)。但是如果我把打印语句改为 print(ww.min(), ww.max()) 打印(ww.min(),ww.max()) 我得到这个输出 -0.330358 0.429428
这意味着一些权重正在进行训练,正如预期的那样。好的,当我运行代码时,我得到的输出如下所示 [[ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.] ..., [ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.]] [[ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.] ..., [ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.]] 但是你必须意识到,W是784乘以100个元素,这个显示只显示了开头和结尾的几个值。对于MNIST中的大多数图像,第一个像素和最后几个像素将不那么重要(实际的重要数据在中间的某个地方,绘制实际的数字,对不对?)。但是如果我把打印语句改为 print(ww.min(), ww.max()) 打印(ww.min(),ww.max()) 我得到这个输出 -0.330358 0.429428
这意味着一些重量正在按预期进行训练。我知道,实际上,W发生了变化。感谢Sprinting min和max并没有告诉你多少,但如果你打印W的绝对值之和,你可以将其视为衡量你的重量训练了多少,离原来的零有多远。玩得开心,机器学习很棒。我明白了,事实上,W变了。Thanking min和max并没有告诉你多少,但如果你打印出W的绝对值之和,你可以将其视为衡量你的体重训练了多少,离原来的零有多远。玩得开心,机器学习真是太棒了。