使用 MLPClassifier TensorFlow答案

【问题标题】：Use MLPClassifier Tensorflow使用 MLPClassifier TensorFlow
【发布时间】：2017-09-16 19:13:45
【问题描述】：

我尝试使用来自 github 的 MLPClassifier：

https://github.com/aymericdamien/TensorFlow-Examples/blob/master/examples/3_NeuralNetworks/multilayer_perceptron.py

但我实际上不知道如何将它与我自己的数据一起使用。我有一个维度为 20000x100 的特征矩阵 X 和一个 5 类大小为 20000 的目标向量 y。

X 和 y 保存在一个 numpy 数组中。我感到困惑的是：

x = tf.placeholder("float", [None, n_input]) #n_input is 100 here, right?
y = tf.placeholder("float", [None, n_classes])


total_batch = int(mnist.train.num_examples/batch_size) #What is that for my data?


batch_x, batch_y = mnist.train.next_batch(batch_size)#what are these?

【问题讨论】：

标签： tensorflow

【解决方案1】：

除了@ted 的回答，你还得修改total_batch 的计算。 total_batch 是您的网络将生成的批次数。假设 X 包含您的数据，您必须将 int(mnist.train.num_examples/batch_size) 替换为 int(20000/batch_size) 或 int(X.shape[0]/batch_size)。您可以在那里选择批量大小，例如 200。

【讨论】：

在我的示例中，batch_size 到底是什么？根据我的理解，它应该是一个功能，对吧？所以应该等于一？
批量大小是神经网络在执行参数更新之前处理的事件数。如果您选择更高的批量大小，训练将不太容易受到数据集波动的影响，但收敛速度可能会更慢一些。你可能想看看sebastianruder.com/optimizing-gradient-descent，尤其是关于梯度下降变体的部分。在那里你会找到关于什么是小批量的很好的解释。

【解决方案2】：

如果您查看变量batch_x，您会发现它只是一个形状为[batch_size, 784] 的numpy 数组，所以batch_size 是扁平图像，batch_y 是一个形状为[batch_size, 10] 的数组，所以1 个单热batch_x中每个图像的编码标签

所以如果你想在这个模型中使用你自己的数据，你必须：

以相同的方式格式化您的数据（[batch_size, 784] 和 [batch_size, 10]）
或更改您的占位符 x 和 y，以便它们可以采用您自己的数据形式

在您的情况下，只需使用以下代码更改代码：

n_input = 100
n_classes = 5
total_batch = int(20000/batch_size)

此外，最好不要使用上述数字，而是从您的数据中获取这些值：

n_input = your_x_data.shape[1]
n_classes = your_y_data.shape[1]
# or n_classes = your_y_data.max(axis=1) 
# if your y data array is not already one-hot encoded
total_batch = int(your_x_data.shape[0]/batch_size)

【讨论】：

谢谢，但我的 y 还是有问题。当我用 n_classes=5 定义 y = tf.placeholder("float", [None, n_classes]) 时，我的 y 的维度是 ?x5 而不是 ?x1？我也不确定total_batch？我认为这只是我的情况，对吧？
我用y解决了这个问题，它被表示为一个矩阵。