0
我已经使用TensorFlow编写了一个简单的二元分类器。但是,我得到的优化变量的唯一结果是NaN。这里的代码:无法获得简单的二元分类器
import tensorflow as tf
# Input values
x = tf.range(0., 40.)
y = tf.constant([0., 0., 0., 0., 0., 0., 0., 1., 0., 0.,
1., 0., 0., 1., 0., 1., 0., 1., 1., 1.,
1., 1., 0., 1., 1., 1., 0., 1., 1., 1.,
1., 1., 1., 0., 1., 1., 1., 1., 1., 1.])
# Variables
m = tf.Variable(tf.random_normal([]))
b = tf.Variable(tf.random_normal([]))
# Model and cost
model = tf.nn.sigmoid(tf.add(tf.multiply(x, m), b))
cost = -1. * tf.reduce_sum(y * tf.log(model) + (1. - y) * (1. - tf.log(model)))
# Optimizer
learn_rate = 0.05
num_epochs = 20000
optimizer = tf.train.GradientDescentOptimizer(learn_rate).minimize(cost)
# Initialize variables
init = tf.global_variables_initializer()
# Launch session
with tf.Session() as sess:
sess.run(init)
# Fit all training data
for epoch in range(num_epochs):
sess.run(optimizer)
# Display results
print("m =", sess.run(m))
print("b =", sess.run(b))
我试过不同的优化器,学习率和测试大小。但似乎没有任何工作。有任何想法吗?
时代的数量看起来太多了。相反,你应该尝试100或者什么的。 – tagoma
在此行尝试'reduce_mean'而不是'reduce_sum' cost = -1。 * tf.reduce_sum(y * tf.log(model)+(1. - y)*(1. - tf.log(model)))' –
将'reduce_sum'改为'reduce_mean'没有帮助,但是减少时代的数量确实如此。离奇。谢谢,爱德华!如果您将评论发布为回复,我会将其标记为答案。 – user934904