python - 使用 TFLearn 神经网络预测值

Question

我是 TFLearn 新手，我正在尝试一个简单的神经网络来预测给定输入数组时的输出数组值。

此代码的实际输入可以是灰度图像的像素值或从灰度图像中提取的特征。因此输入是二维数组格式。输出将是每个像素的预测颜色。

在示例代码中，我使用了两个大小为 9 的随机数组。当“t_x”数组作为输入给出时，我需要训练网络来预测“t_y”数组。代码可以运行，但预测效果很差。

该代码改编自 TFLearn 的 MNIST 示例，发现 here

这是我的代码

from random import randint
import numpy as np
import tflearn
from tflearn.layers.core import input_data, dropout, fully_connected
from tflearn.layers.conv import conv_2d, max_pool_2d
from tflearn.layers.normalization import local_response_normalization
from tflearn.layers.estimator import regression



#input
t_x = [3, 8, 7, 4, 0, 7, 9, 5, 1]
#output
t_y = [9, 5, 1, 4, 7, 9, 7, 3, 6]

x = []
y = []

for i in range(1000):
  x.append(t_x)
  y.append(t_y)

#array of input values
x = np.reshape(x,(-1,3,3,1))

#array of output values
y = np.reshape(y,(-1,9))

network = input_data(shape=[None, 3, 3, 1], name='input')
network = conv_2d(network, 32, 3, activation='relu', regularizer="L2")
network = max_pool_2d(network, 2)
network = local_response_normalization(network)
network = conv_2d(network, 64, 3, activation='relu', regularizer="L2")
network = max_pool_2d(network, 2)
network = local_response_normalization(network)
network = fully_connected(network, 128, activation='tanh')
network = dropout(network, 0.8)
network = fully_connected(network, 256, activation='tanh')
network = dropout(network, 0.8)
network = fully_connected(network, 9, activation='softmax')
network = regression(network, optimizer='adam', learning_rate=0.01,
                     loss='categorical_crossentropy', name='target')


# Training
model = tflearn.DNN(network, tensorboard_verbose=0)
model.fit({'input': x}, {'target': y}, n_epoch=20)

pred = model.predict(np.reshape(t_x,(-1,3,3,1)))
print "Prediction :", pred[0]

我假设它与“conv_2d”和“complete_connnected”函数中指定的参数值有关。

我必须设置哪些值才能获得准确的预测？

Answer 1

输出格式

代码的最后一层 (full_connected(network, 9,activation='softmax')) 会产生 9 个具有 softmax 函数的神经元，即进行归一化，以便它们的总和总计为 1。这通常是可用的 (并在 MNIST 中使用)用于选择/优化选择 9 个可能输出值之一的函数 - 网络将输出类似 [0.01 0.01 0.01 0.9 0.03 0.01 0.01 0.01 0.01] 的内容，“预测”第四个值是正确的值，这将与 one-hot 目标向量进行匹配(例如 [0 0 0 1 0 0 0 0 0])。

不用说，softmax 输出永远不可能等于 [9, 5, 1, 4, 7, 9, 7, 3, 6]，甚至不能接近这个值，因为所有值 softmax 的输出都会加起来为 1。即使是之前的层也无法输出这样的值，因为 tanh 只能产生 -1 到 1 之间的值，并且永远不会产生 9。

如果您想预测 1-9 范围内的 9 个数字，那么您可能需要使用全连接层而不是 softmax，并缩放输出以使预期输出在 0 到 1 的范围内。有不仅如此，但这将是一个好的开始。