machine-learning - 如何解释 TensorFlow 中的预测，它们的形状似乎错误

Question

我有一个具有以下一些特征的 TensorFlow 模型:

    state_size = 800,
    num_classes = 14313,
    batch_size = 10,
    num_steps = 16, # width of the tensor
    num_layers = 3

   x = tf.placeholder(tf.int32, [batch_size, num_steps], name='input_placeholder')
   y = tf.placeholder(tf.int32, [batch_size, num_steps], name='labels_placeholder')
   rnn_inputs = [tf.squeeze(i, squeeze_dims=[1]) for i in
                  tf.split(x_one_hot, num_steps, 1)]  # still a list of tensors (batch_size, num_classes)
   ...
   logits = tf.matmul(rnn_outputs, W) + b

   predictions = tf.nn.softmax(logits)

现在我想给它提供一个 np.array (形状=batch_size x num_steps，所以 10 x 16)，然后我得到一个预测张量。

奇怪的是，它的形状是160 x 14313。后者是类的数量。但160从哪里来呢？我不明白。我想知道我的每个类、批处理中每个元素的概率(即 10)。 num_steps 是如何参与其中的，我如何从这个 pred.txt 中读取内容？这 16 个数字之后的张量是预期的元素吗？

Answer 1

在本例中，160 来自您怀疑的形状。
这意味着每批 10 个有 16 个时间步长，当您执行形状变量时，这在技术上是扁平化的。
此时，您的 logits 形状为 160 * 类。因此您可以对每个批处理进行预测[i]，然后每个批处理都有可能成为所需的类别。
这就是为什么要获取所选的类，您需要执行类似 tf.argmax(predictions, 1) 的操作来获取具有分类的张量
在您的情况下，形状为 160，因此它将是预测的 每个批处理的类。

为了获得概率，您可以使用 logits :

def prob(logit):
    return 1/(1 + np.exp(-logit)