我正在尝试使用 TensorFlow(而不是 Keras)重现 Coursera ML 类(class)的 NN 练习。
我发现使用tf.metrics.accuracy
计算准确度给出的结果低于我计算时的准确度。
相关代码是:
accuracy, update_op = tf.metrics.accuracy(labels=y, predictions=tf.argmax(tf.sigmoid(output), axis=1))
...
# in session:
acc = sess.run(accuracy, feed_dict={tf_x: X, tf_y: y})
sess.run(update_op, feed_dict={tf_x: X, tf_y: y})
print(f'step {step} - accuracy: {acc}')
...
# real accuracy
predictions = sess.run(tf.argmax(tf.sigmoid(output), axis=1), feed_dict={tf_x: X})
pred_y = predictions == y
print(f'Training Set Accuracy after training: {np.mean(pred_y) * 100}%')
甚至可以有 30% 的差异(即 acc 为 0.5,实际精度为 0.8)
我做错了什么吗?
请注意,如果我这样做:
equal = tf.equal(tf.cast(tf.argmax(tf.sigmoid(output), 1), tf.int32), y)
acc_op = tf.reduce_mean(tf.cast(equal, tf.float32))
acc = sess.run(acc_op, feed_dict={tf_x: X, tf_y: y})
我得到了相同的结果...那么 tf.metrics.accuracy 是否以其他方式计算?
最佳答案
解决方案:第一次调用 sess.run(update_op, feed_dict)
,然后sess.run(accuracy)
。如果喂入新批处理,并且需要该批处理的准确性,则必须首先重置一些隐藏变量 - 工作流程如下:
accuracy, update_op = tf.metrics.accuracy(tf_labels, tf_predictions, scope="my_metrics")
running_vars = tf.get_collection(tf.GraphKeys.LOCAL_VARIABLES, scope="my_metrics")
running_vars_initializer = tf.variables_initializer(var_list=running_vars)
for i in range(num_batches):
# explicitly initialize/reset 'total' and 'count' to 0
sess.run(running_vars_initializer)
# feed labels and predictions at i-th batch to update_ops
feed_dict={tf_labels: y[i], tf_predictions: tf.argmax(tf.sigmoid(output[i]), axis=1)}
session.run(update_op, feed_dict=feed_dict)
# compute and print accuracy from current 'total' and 'count'
print('Batch {} accuracy: {}'.format(i, session.run(accuracy)))
<小时/>
详细信息:tf.metrics.accuracy
使用两个运行时变量 total
(正确预测的数量)和 count
(输入的标签数量),在幕后本地初始化。 accuracy
仅更新一次 update_op
被调用 - 步骤:
-
total
和count
初始化为零 -
sess.run(update_op, feed_dict)
-->total
和count
按feed_dict
更新 -
sess.run(accuracy)
-->accuracy
使用当前total
和count
计算指标 -
sess.run(accuracy, feed_dict)
-->accuracy
使用当前total
和count
计算指标
最后两个说的是,feed_dict
实际上没有做任何改变accuracy
; accuracy
运行于 total
和count
,仅通过 update_op
更新。最后,
-
sess.run(accuracy, ...)
是否没有重置total
和count
到0
这很大程度上就是 total
的原因和count
完全使用 - 用于可扩展性;它通过保存运行历史记录来计算太大而无法一次性放入内存的数据指标。
最后,您的占位符逻辑看起来不对 - 您将数据输入 tf_x
和tf_y
,但在 tf.metrics.accuracy(...)
内任何地方都找不到。 - 但这是一个简单的解决方法。
关于python - tf.metrics.accuracy 与实际准确度不匹配,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/58007918/