0

所以我正在阅读tensorflow 入门教程，我发现它很难遵循。关于每个功能以及为什么需要（或不需要）它们都缺少很多解释。

  1. 在 tf.estimator 部分中，“ x_eval ”和“ y_eval ”数组的含义或它们应该是什么？x_train和y_train数组为给定的x坐标提供所需的输出（即对应的y坐标）。但是x_eval和y_eval值不正确：对于x=5，y 应该是 -4，而不是 -4.1。这些价值观从何而来？x_eval和y_eval是什么意思？他们有必要吗？他们是如何选择这些价值观的？

  2. “ input_fn ”（“fn”甚至是什么意思？）和“ train_input_fn ”之间的区别。我看到唯一的区别是一个有

num_epochs=None, shuffle=True num_epochs=1000, shuffle=False

但我不明白“input_fn”或“train_input_fn”是/做什么，或者两者之间有什么区别，或者两者都是必要的。

3.在

estimator.train(input_fn=input_fn, steps=1000)

一段代码，我不明白“steps”和“num_epochs”之间的区别。每一个的含义是什么？你也可以有num_epochs=1000和steps=1000吗？

  1. 最后一个问题是，我如何获得 W 和 b？在以前的方法中（不使用 tf.estimator），他们明确地发现 W=-1 和 b=1。如果我正在做一个更复杂的神经网络，包括偏差和权重，我想我想恢复权重和偏差的实际值。这就是我使用 tensorflow 来查找权重的全部意义所在！那么如何在 tf.estimator 示例中恢复它们呢？

这些只是在阅读“getStarted”教程时困扰我的一些问题。我个人认为它还有很多不足之处，因为目前还不清楚每件事的作用，你最多只能猜到。

4

1 回答 1

1

我同意你的观点，tf.estimator在这个“入门”教程中没有很好地介绍。我还认为一些机器学习背景将有助于理解本教程中发生的事情。

至于你的问题的答案：

  1. 在机器学习中，我们通常会在训练集上最小化模型的损失，然后在评估集上评估模型的性能。这是因为很容易过拟合训练集并获得 100% 的准确率，因此使用单独的验证集使得以这种方式 作弊是不可能的。

    • 这里(x_train, y_train)对应于训练集，其中获得全局最小值W=-1, b=1。
    • 验证集(x_eval, y_eval)不必完全遵循训练集的分布。虽然我们可以0在训练集上得到一个损失，但我们在验证集上得到了一个小的损失，因为我们没有确切的y_eval = - x_eval + 1

  2. input_fn意思是“输入功能”。这是为了表明该对象input_fn是一个函数。
    在tf.estimator中，如果要训练估计器 ( estimator.train()) 或评估它 ( estimator.evaluate())，则需要提供输入函数。

    • 通常你需要不同的转换来训练或评估，所以你有两个函数train_input_fn和eval_input_fn（input_fn教程中的几乎等同于train_input_fn并且只是令人困惑）。
    • 例如，在训练期间，我们希望训练多个 epoch（即在数据集上多次）。对于评估，我们只需要通过验证数据来计算我们需要的指标

  3. 时期数是我们重复整个数据集的次数。例如，如果我们训练 10 个 epoch，模型将看到每个输入 10 次。
    当我们训练机器学习模型时，我们通常使用小批量数据。例如，如果我们有 1000 张图像，我们可以批量训练 100 张图像。因此，训练 10 个 epoch 意味着训练 100 批数据。

  4. 训练估计器后，您可以通过 访问变量列表和通过 访问变量estimator.get_variable_names()的值estimator.get_variable_value()。
    通常我们永远不需要这样做，因为我们可以使用经过训练的估计器来预测新的例子，使用estimator.predict().

如果你觉得入门很混乱，你可以随时提交一个 GitHub 问题告诉 TensorFlow 团队并解释你的观点。

于 2018-01-20T01:25:51.033 回答