tensorflow教程中测试数据的计算

Question

我正在看tensorflow的教程- https://www.tensorflow.org/versions/r0.9/tutorials/mnist/beginners/index.html

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
x = tf.placeholder(tf.float32, [None, 784])
W = tf.Variable(tf.zeros([784, 10]))    #weights
b = tf.Variable(tf.zeros([10]))         #bias   
y = tf.nn.softmax(tf.matmul(x, W) + b)
y_ = tf.placeholder(tf.float32, [None, 10])
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
for i in range(1000):
  batch_xs, batch_ys = mnist.train.next_batch(100)
  sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))

最后，我们将测试数据传递给占位符。 y_ 是包含真值的矩阵。 y 是具有预测值的矩阵。我的问题是什么时候为测试数据计算 y 。 W 矩阵已通过反向传播进行训练。但是这个经过训练的矩阵必须与新的输入 x（测试数据）相乘才能给出预测 y。这发生在哪里？

通常我看到代码是顺序执行的，在最后几行中，y 没有被显式调用。

Answer 1

accuracy 取决于 correct_prediction，而 correct_prediction 又取决于 y。

因此，当您调用 sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}) 时，y 在计算 accuracy 之前计算。所有这一切都发生在 TensorFlow 图表中。

TensorFlow 图与训练和测试相同。唯一的区别是您提供给占位符 x 和 y_.

的数据

Answer 2

y 在这里计算：

y = tf.nn.softmax(tf.matmul(x, W) + b) # Line 7

具体来说，您要查找的内容在该行中：

tf.matmul(x, W) + b

其输出通过softmax函数来识别class。

这是在图形的 1000 次遍历中计算的，每次变量 W 和 b 由 GradientDescent 更新并且计算 y 并与 y_确定损失。

tensorflow教程中测试数据的计算

computation of test data in tensorflow tutorial

python

machine-learning

deep-learning

tensorflow