如何从训练有素的 Tensorflow 分类器中获得类预测？

Question

我已经训练了二元分类器模型。模型类包含self.cost、self.initial_state、self.final_state 和self.logits 参数。用tf.train.Saver简单保存：

saver = tf.train.Saver(tf.global_variables(), max_to_keep=1)
saver.save(session, 'model.ckpt')

模型训练完成后，我将其加载为：

with tf.variable_scope("Model", reuse=False):
    model = MODEL(config, is_training=False)

with tf.Session() as session:
    saver = tf.train.Saver(tf.global_variables())
    saver.restore(session, 'model.ckpt')

但是，我的 model.run 函数返回交叉熵损失，这是图中的最后一个操作。我不需要损失，我需要每个批次元素的模型预测

logits = tf.sigmoid(tf.nn.xw_plus_b(last_layer, self.output_w, self.output_b))

其中last_layer 是一个800x1 矩阵，然后我将其重塑为32x25x1 (batch_size, sequence_length, 1) 矩阵。正是这个矩阵包含了 [0-1] 范围内的模型预测值。

那么，我如何使用这个模型来预测单元素矩阵1x1x1？

Answer 1

添加计算准确性所需的 OP，类似于我在下面复制的内容（只是从我手头最接近的模型中复制出来的）。

  self.logits_flat = tf.argmax(logits, axis=1, output_type=tf.int32)
  labels_flat = tf.argmax(labels, axis=1, output_type=tf.int32)
  accuracy = tf.cast(tf.equal(self.logits_flat, labels_flat), tf.float32, name='accuracy')

现在，当您运行模型（在测试或训练期间）时，将准确度添加到 sess.run 调用中：

sess.run([train_op, accuracy], feed_dict=...)

或

sess.run([accuracy, logits], feed_dict=...)

当您调用 sess.run 时，您所做的只是告诉 tensorflow 计算您所要求的任何值的值。您需要将其传递给执行这些计算所需的任何数据。 Tensorflow 是惰性的，它不会执行任何非明确必要的计算来产生您请求的结果。例如。如果您运行上面列出的 sess.run 的第二个版本，优化器将不会运行，因此您的权重将不会更新。

请注意，您可以在网络训练后添加 OP，因为它们实际上都没有添加任何变量，因此它们不会影响保存/恢复过程。