为训练数据计算的准确度如何用于评估张量流中的测试数据

Question

在 tensorflow 中，模型是使用训练数据创建的，但我想知道如何使用训练数据计算的准确度评估测试数据。

     correct_prediction = tf.equal(tf.argmax(pred, 1),tf.argmax(y_train, 1))
     # Calculate accuracy
     accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
     print "Accuracy:", accuracy.eval({x1: X_test, y1: y_test})

correct_prediction 用于训练数据，accuracy.eval() 用于通过测试数据集。请解释这是如何完成的。

Answer 1

在 TensorFlow 中，您创建一个图形，其中数据在节点之间流动，从输入到输出。

举个简单的例子，MNIST。这是 TensorFlow 节点:

输入：
- 一批 28x28 图像：images 形状 [batch_size, 28, 28, 1]
- 图像标签：labels 形状 [batch_size, 10]
输出：
- 你的网络 pred 的预测，形状 [batch_size, 10]
- 模型的准确度：accuracy，形状 []（标量）

这是图表：

         images
           |
         (CNN)
           |
  labels  pred
       \   |
        \  |
  correct_prediction
           |
        accuracy

这两个输入节点是tf.placeholder，这意味着你需要在其中手动输入值。

根据你是训练还是测试模型，你可以喂：

训练：用两个相应形状的numpy数组X_train和y_train喂养images和labels，来自你的数据
用于测试：将 images 和 labels 与两个 numpy 数组 X_test 和 y_test 馈送 测试数据

使用此架构，同一张图 用于训练和测试。

区别在于：

在训练期间，您可能会运行火车运行 sess.run(train_op, feed_dict={images: X_train, labels: y_train})
在测试期间，您不再训练模型而只计算准确率：sess.run(accuracy, feed_dict={images: X_test, labels: y_test})

为训练数据计算的准确度如何用于评估张量流中的测试数据

How accuracy calculated for train data is used for evaluating test data in tensorflow

python

tensorflow