python - Tensorflow softmax 函数返回 one-hot 编码数组

Question

我有这段代码，它根据我的卷积网络的输出预测计算 softmax 函数。

pred = conv_net(x, weights, biases, keep_prob, batchSize)

softmax = tf.nn.softmax(pred)

我的预测数组的形状为 [batch_size, number_of_classes] = [128,6]该数组中的一个示例行是...

[-2.69500896e+08   4.84445800e+07   1.99136800e+08   6.12981480e+07
2.33545440e+08   1.19338824e+08]

运行 softmax 函数后，我将得到一个热编码数组的结果...

[ 0  0  0  0  1  0 ]

我认为这是因为我正在取非常大的值的指数。我只是想知道我是否做错了什么，或者我是否应该在应用 softmax 函数之前先缩放我的值。我的损失函数是

cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(pred, y))

我正在使用 Adam 优化器最大限度地减少这种情况

optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)

我的网络能够很好地学习。

我应用 softmax 函数的原因是获得测试数据上每个类别的概率值。

编辑

似乎可以修复我的 softmax 函数的这些非常大的值，我应该添加归一化和正则化。我已经为我的卷积网络添加了设计代码，并且任何有关在何处放置正则化和标准化的帮助都会很棒。

# Create model
def conv_net(x, weights, biases, dropout, batchSize):

# Reshape input picture
x = tf.reshape(x, shape=[-1, 150, 200, 1])   
x = tf.random_crop(x, size=[batchSize, 128, 192, 1])

# Convolution Layer 1
conv1 = conv2d(x, weights['wc1'], biases['bc1'])
# Max Pooling (down-sampling)
conv1 = maxpool2d(conv1, k=2)

# Convolution Layer 2
conv2 = conv2d(conv1, weights['wc2'], biases['bc2'])    
# Max Pooling (down-sampling)
conv2 = maxpool2d(conv2, k=2)  

# Convolution Layer 3  
conv3 = conv2d(conv2, weights['wc3'], biases['bc3'])
# Max Pooling (down-sampling)
conv3 = maxpool2d(conv3, k=2)

# Convolution Layer 4
conv4 = conv2d(conv3, weights['wc4'], biases['bc4'])
# Max Pooling (down-sampling)
conv4 = maxpool2d(conv4, k=2)

# Convolution Layer 5
conv5 = conv2d(conv4, weights['wc5'], biases['bc5'])
# Max Pooling (down-sampling)
conv5 = maxpool2d(conv5, k=2)

# Fully connected layer
# Reshape conv5 output to fit fully connected layer input
fc1 = tf.reshape(conv5, [-1, weights['wd1'].get_shape().as_list()[0]])
fc1 = tf.add(tf.matmul(fc1, weights['wd1']), biases['bd1'])
fc1 = tf.nn.relu(fc1)

# Apply Dropout
fc1 = tf.nn.dropout(fc1, dropout)

# Output, class prediction
out = tf.add(tf.matmul(fc1, weights['out']), biases['out'])

return out

Answer 1

您迫切需要进行一些正规化。您的输出约为 10^8。通常，我们处理的数字要小得多。如果您添加更多正则化，您的分类器将不会对所有事情都那么确定，并且不会提供看起来像 one-hot 编码的输出。