如何解释TensorFlow预测，他们似乎有错误的形状

我有一个TensorFlow模型，其中的一些特点：如何解释TensorFlow预测，他们似乎有错误的形状

state_size = 800, 
    num_classes = 14313, 
    batch_size = 10, 
    num_steps = 16, # width of the tensor 
    num_layers = 3 

    x = tf.placeholder(tf.int32, [batch_size, num_steps], name='input_placeholder') 
    y = tf.placeholder(tf.int32, [batch_size, num_steps], name='labels_placeholder') 
    rnn_inputs = [tf.squeeze(i, squeeze_dims=[1]) for i in 
        tf.split(x_one_hot, num_steps, 1)] # still a list of tensors (batch_size, num_classes) 
    ... 
    logits = tf.matmul(rnn_outputs, W) + b 

    predictions = tf.nn.softmax(logits)

现在我想给它一个np.array（形状的batch_size = X num_steps，所以10×16），我得到一个预测张量。

奇怪的是，它的形状是160 x 14313.后者是类的数量。但是160从哪里来？我不明白这一点。我希望每个类的概率对于批次中的每个元素（即10个）都是可能的。 num_steps如何卷入，如何从这个pred读取。张量这是16个数字之后的预期元素？

来源

2017-03-16 dorien

在这种情况下，160来自您怀疑的形状。
这意味着对于每批10个，有16个时步，当你做形变时，这在技术上是扁平的。
在这一点上，你有形状160 *类的logits。所以你可以为每个批次做predictions[i]，然后每个班级有可能成为所需的班级。
这就是为什么要得到选择的类，你会做类似tf.argmax(predictions, 1)得到一个张量与分类
这将有你的情况160的形状，所以这将是预计类为每个批次。

为了获得概率，你可以使用logits：

def prob(logit): 
    return 1/(1 + np.exp(-logit)

来源

2017-03-16 11:43:12 SerialDev

我明白了，谢谢你。 softmax不给我正确的概率吗？我应该使用exp函数？所以我认为我应该只预测一个值而不是16个。为了避免混淆，我在另一个问题中发布了这个问题。 https://stackoverflow.com/questions/42766458/tensorflow-predicting-sequences-what-is-x-and-y – dorien

tf.nn.softmax计算通过softmax层的前向传播。在计算模型输出的概率时，可以在评估模型时使用它。所以是的，它会给你正确的概率，我想提供另一种方式，只是与logits。 – SerialDev

与此相关。我似乎不知道哪个标签与哪个预测值有关。这应该很容易得到正确的？ https://stackoverflow.com/questions/43039055/how-to-get-class-labels-from-tensorflow-prediction – dorien

如何解释TensorFlow预测，他们似乎有错误的形状

回答

相关问题