TensorFlow用于二进制分类

Question

我正在尝试将此MNIST示例调整为二进制分类。

但是，改变我的时候NLABELS，从NLABELS=2到NLABELS=1，损失函数总是返回0（和准确度1）。

from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf

# Import data
mnist = input_data.read_data_sets('data', one_hot=True)
NLABELS = 2

sess = tf.InteractiveSession()

# Create the model
x = tf.placeholder(tf.float32, [None, 784], name='x-input')
W = tf.Variable(tf.zeros([784, NLABELS]), name='weights')
b = tf.Variable(tf.zeros([NLABELS], name='bias'))

y = tf.nn.softmax(tf.matmul(x, W) + b)

# Add summary ops to collect data
_ = tf.histogram_summary('weights', W)
_ = tf.histogram_summary('biases', b)
_ = tf.histogram_summary('y', y)

# Define loss and optimizer
y_ = tf.placeholder(tf.float32, [None, NLABELS], name='y-input')

# More name scopes will clean up the graph representation
with tf.name_scope('cross_entropy'):
    cross_entropy = -tf.reduce_mean(y_ * tf.log(y))
    _ = tf.scalar_summary('cross entropy', cross_entropy)
with tf.name_scope('train'):
    train_step = tf.train.GradientDescentOptimizer(10.).minimize(cross_entropy)

with tf.name_scope('test'):
    correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
    _ = tf.scalar_summary('accuracy', accuracy)

# Merge all the summaries and write them out to /tmp/mnist_logs
merged = tf.merge_all_summaries()
writer = tf.train.SummaryWriter('logs', sess.graph_def)
tf.initialize_all_variables().run()

# Train the model, and feed in test data and record summaries every 10 steps

for i in range(1000):
    if i % 10 == 0:  # Record summary data and the accuracy
        labels = mnist.test.labels[:, 0:NLABELS]
        feed = {x: mnist.test.images, y_: labels}

        result = sess.run([merged, accuracy, cross_entropy], feed_dict=feed)
        summary_str = result[0]
        acc = result[1]
        loss = result[2]
        writer.add_summary(summary_str, i)
        print('Accuracy at step %s: %s - loss: %f' % (i, acc, loss)) 
   else:
        batch_xs, batch_ys = mnist.train.next_batch(100)
        batch_ys = batch_ys[:, 0:NLABELS]
        feed = {x: batch_xs, y_: batch_ys}
    sess.run(train_step, feed_dict=feed)

我检查了两者的尺寸batch_ys（馈入y），_y并且它们都是1xN矩阵，NLABELS=1因此问题似乎早于此。也许与矩阵乘法有关？

我实际上在一个真实的项目中也遇到了同样的问题，所以任何帮助都将不胜感激……谢谢！

Answer 1

原始的MNIST示例使用单热编码来表示数据中的标签：这意味着，如果存在NLABELS = 10类（如MNIST中的类），则目标输出[1 0 0 0 0 0 0 0 0 0]针对的是0类，[0 1 0 0 0 0 0 0 0 0]针对的1类，等等。tf.nn.softmax()操作员转换logit计算tf.matmul(x, W) + b得出不同输出类别之间的概率分布，然后将其与的输入值进行比较y_。

如果NLABELS = 1，这种行为，如果当时只有一个类，以及tf.nn.softmax()运算将计算的概率1.0为类，从而导致的交叉熵0.0，因为tf.log(1.0)是0.0对所有的例子。

您可以尝试（至少）两种方法进行二进制分类：

1. 最简单的方法是设置NLABELS = 2两个可能的类，并按照[1 0]标签0和[0 1]标签1对训练数据进行编码。

2. 你可以保持html" target="_blank">标签作为整数0和1和使用tf.nn.sparse_softmax_cross_entropy_with_logits()