tf.reduce_sum返回大于预期值

-1

我想编码一个采用输入功能并返回输出的神经网络。不过，我想通过比较输出与实际输出来检查NN的“正确性”。同时，我想让这个指标能够解释产出的不确定性。假设预测输出与实际输出相差1个单位以内，请将该预测输出计数为正确。tf.reduce_sum返回大于预期值

代码意图：检查| x-y |小于或等于1，如果这样的话所有发生的事情都是真的。基本上，我可以知道有多少案件是真的。

这里是下面的代码，

correct = tf.reduce_sum(tf.cast(tf.less_equal(tf.abs(x - y), 1), tf.int32)) 
correct.eval({x: predicted_output, y = real_output})

当我路过一个小名单的字典（下面的代码），我能回到正确的结果：

{x: [1,2,3,4,5], y: [1,2,3,1,1,]}

然而，当我通过预测产量和实际产量这是长度10 000，有时返回值是更多 10 000.

我正确地认为返回值必须小于10 000吗？如果是，那么我会犯什么错误，导致回报值超过10 000？

编辑以包括完整的上下的代码：

def neural_network_model(data): 
hidden_1_layer = {"weights": tf.Variable(tf.random_normal([n_input, n_nodes_hl1])), 
        "biases": tf.Variable(tf.random_normal([n_nodes_hl1]))} 
hidden_2_layer = {"weights": tf.Variable(tf.random_normal([n_nodes_hl1, n_nodes_hl2])), 
        "biases": tf.Variable(tf.random_normal([n_nodes_hl2]))} 
hidden_3_layer = {"weights": tf.Variable(tf.random_normal([n_nodes_hl2, n_nodes_hl3])), 
        "biases": tf.Variable(tf.random_normal([n_nodes_hl3]))} 
output_layer = {"weights": tf.Variable(tf.random_normal([n_nodes_hl3, n_output])), 
        "biases": tf.Variable(tf.random_normal([n_output]))} 

l1 = tf.add(tf.matmul(data, hidden_1_layer["weights"]), hidden_1_layer["biases"]) 
l1 = tf.nn.relu(l1) 

l2 = tf.add(tf.matmul(l1, hidden_2_layer["weights"]), hidden_2_layer["biases"]) 
l2 = tf.nn.relu(l2) 

l3 = tf.add(tf.matmul(l2, hidden_3_layer["weights"]), hidden_3_layer["biases"]) 
l3 = tf.nn.relu(l3) 

output = tf.matmul(l3, output_layer["weights"]) + output_layer["biases"] 

return output 

prediction = neural_network_model(x) 
correct = tf.reduce_sum(tf.cast(tf.less_equal(tf.abs(prediction - y), 1), tf.int32)) 
correct.eval({x: val_features, y: val_label})

来源

2017-05-26 Izzudin Hafiz

适用于我随机整数。你能告诉我你有多少班吗？是10000吗？你检查了x和y的最大值和最小值吗？ – hars

@hars类的数量是一个。其单个连续输出NN。我编辑了这个问题以包含更多关于代码的信息。未包含在编辑中，正在运行培训课程。在检查正确之前。 –

您是否检查过它的x，y和帽子值的大小？ – hars

实测值的误差的来源。

在这种情况下，val_label取自一个较大的numpy数组，名为数据。该标签位于数据阵列的最后一列。

val_label = data[:, -1]

这显然返回与尺寸的阵列（10 000）当此相比val_labels的张量，其是尺寸（10 000，1）发生了错误，是矢量

。

的修复是确保val_label阵列是尺寸（10 000，1），其像这样完成：

val_label = data[:, -1:]

或：

val_label = data[:, -1] 
val_label = val_label.reshape((-1,1))

重新评估tensorflow图形将然后返回正确的预期输出

来源

2017-05-29 13:27:49

tf.reduce_sum返回大于预期值

回答

相关问题