1

我有这段代码计算来自我的 convnet 的输出预测的 softmax 函数。

pred = conv_net(x, weights, biases, keep_prob, batchSize)

softmax = tf.nn.softmax(pred)

我的预测数组的形状为 [batch_size, number_of_classes] = [128,6] 该数组的示例行是...

[-2.69500896e+08   4.84445800e+07   1.99136800e+08   6.12981480e+07
2.33545440e+08   1.19338824e+08]

运行 softmax 函数后,我将得到一个热编码数组的结果......

[ 0  0  0  0  1  0 ]

我认为这是因为我正在采用非常大的值的指数。我只是想知道我是否做错了什么,或者我是否应该在应用 softmax 函数之前先缩放我的值。我的损失函数是

cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(pred, y))

我正在使用 Adam Optimizer 将其最小化

optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)

我的网络能够很好地学习。

我应用 softmax 函数的原因是为了获得测试数据上每个类的概率值。

编辑

似乎为我的 softmax 函数修复了这些非常大的值,我应该添加归一化和正则化。我已经为我的 convnet 添加了设计代码,任何关于在何处放置正则化和规范化的帮助都会很棒。

# Create model
def conv_net(x, weights, biases, dropout, batchSize):

# Reshape input picture
x = tf.reshape(x, shape=[-1, 150, 200, 1])   
x = tf.random_crop(x, size=[batchSize, 128, 192, 1])

# Convolution Layer 1
conv1 = conv2d(x, weights['wc1'], biases['bc1'])
# Max Pooling (down-sampling)
conv1 = maxpool2d(conv1, k=2)

# Convolution Layer 2
conv2 = conv2d(conv1, weights['wc2'], biases['bc2'])    
# Max Pooling (down-sampling)
conv2 = maxpool2d(conv2, k=2)  

# Convolution Layer 3  
conv3 = conv2d(conv2, weights['wc3'], biases['bc3'])
# Max Pooling (down-sampling)
conv3 = maxpool2d(conv3, k=2)

# Convolution Layer 4
conv4 = conv2d(conv3, weights['wc4'], biases['bc4'])
# Max Pooling (down-sampling)
conv4 = maxpool2d(conv4, k=2)

# Convolution Layer 5
conv5 = conv2d(conv4, weights['wc5'], biases['bc5'])
# Max Pooling (down-sampling)
conv5 = maxpool2d(conv5, k=2)

# Fully connected layer
# Reshape conv5 output to fit fully connected layer input
fc1 = tf.reshape(conv5, [-1, weights['wd1'].get_shape().as_list()[0]])
fc1 = tf.add(tf.matmul(fc1, weights['wd1']), biases['bd1'])
fc1 = tf.nn.relu(fc1)

# Apply Dropout
fc1 = tf.nn.dropout(fc1, dropout)

# Output, class prediction
out = tf.add(tf.matmul(fc1, weights['out']), biases['out'])

return out
4

2 回答 2

1

one-hot 编码数组问题的发生可能有多种原因:

  • 权重初始化太大(尝试以较小的比例初始化权重,例如stddev=1e-2)
  • 为所有权重 Ej 的损失函数添加正则化:

    cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_true,logits=y_conv)+beta*tf.nn.l2_loss(W_conv1) +beta*tf.nn.l2_loss(W_conv2) +beta*tf.nn.l2_loss(W_fc1)+beta*tf.nn.l2_loss(W_fc2))

  • 添加辍学

  • 将 dropout 与一些 L2/L1 正则化技术相结合

于 2017-07-24T18:19:47.453 回答
0

你非常需要一些正则化。您的输出约为 10^8。通常,我们处理的数字要小得多。如果您添加更多正则化,您的分类器将不会对所有内容都如此确定,并且它不会给出看起来像一次性编码的输出。

于 2016-08-05T17:22:14.463 回答