0
stackoverflowers,我需要张量专家的帮助。其实我已经建立了一个多层感知器,训练它,测试它,并且一切都很好。但是,当我恢复模型并尝试再次使用它时,其准确性不符合训练模型,并且预测与真实标签有很大不同。我用于恢复预测的代码如下:(我正在使用R)如何从恢复的模型中预测MLP张量流?
pred <- multiLayerPerceptron(test_data)
init <- tf$global_variables_initializer()
with(tf$Session() %as% sess, {
sess$run(init)
model_saver$restore(sess, "log_files/model_MLP1")
test_pred_1 <- sess$run(pred, feed_dict= dict(x = test_data))
})
是否所有代码都正常?仅供参考,我希望通过这部分代码来获得我的模型对test_data的预测。
要明确一点,您是使用模型上的相同数据还是使用不同的“测试”数据集? –
我正在使用另一组作为“training_data”,但当然是同一种数据。问题是,当我在训练之后的同一个环节中评估这个测试集时,模型的准确性也很好,但是一旦我关闭了所有内容并尝试恢复模型,我就会觉得它的行为就像随机生成的神经网络根本没有受过训练。因此,我认为问题在于恢复语法。 – Kaz
因此,它对你的训练集效果很好,但一旦进入“真实世界”,它就不能很好地工作。听起来像是过度拟合的例子。 –