mnist/cifar のチュートリアルを完了した後、独自の「大規模な」データ セットを作成して tensorflow を試してみようと思いました。簡単にするために、高さと幅が独立して変化する白地に黒の楕円形に落ち着きました。 28x28 ピクセル画像として 0.0-1.0 スケール (うち、5000 のトレーニング画像、1000 のテスト画像があります)。
私のコードでは、「MNIST エキスパート」チュートリアルをベースとして使用しています (速度を上げるために縮小しています) が、二乗誤差ベースのコスト関数に切り替え、ここからのアドバイスに基づいて、最終的な活性化層のシグモイド関数に置き換えました。これは分類ではなく、2 つのテンソル y_ と y_conv の間の「最適」です。
ただし、100k を超える反復の過程で、損失出力はすぐに 400 から 900 の間の振動に落ち着きます (または、その結果、50 のバッチで 2 つのラベルを平均した特定のラベルの 0.2 から 0.3)。ノイズを取得します。おそらく私は間違っていますが、Tensorflow を使用して画像を畳み込み、おそらく 10 個以上の独立したラベル付き変数を推定することを望んでいました。ここで何か基本的なことが欠けていますか?
def train(images, labels):
# Import data
oval = blender_input_data.read_data_sets(images, labels)
sess = tf.InteractiveSession()
# Establish placeholders
x = tf.placeholder("float", shape=[None, 28, 28, 1])
tf.image_summary('images', x)
y_ = tf.placeholder("float", shape=[None, 2])
# Functions for Weight Initialization.
def weight_variable(shape):
initial = tf.truncated_normal(shape, stddev=0.1)
return tf.Variable(initial)
def bias_variable(shape):
initial = tf.constant(0.1, shape=shape)
return tf.Variable(initial)
# Functions for convolution and pooling
def conv2d(x, W):
return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
def max_pool_2x2(x):
return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],
strides=[1, 2, 2, 1], padding='SAME')
# First Variables
W_conv1 = weight_variable([5, 5, 1, 16])
b_conv1 = bias_variable([16])
# First Convolutional Layer.
h_conv1 = tf.nn.relu(conv2d(x, W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)
_ = tf.histogram_summary('weights 1', W_conv1)
_ = tf.histogram_summary('biases 1', b_conv1)
# Second Variables
W_conv2 = weight_variable([5, 5, 16, 32])
b_conv2 = bias_variable([32])
# Second Convolutional Layer
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)
_ = tf.histogram_summary('weights 2', W_conv2)
_ = tf.histogram_summary('biases 2', b_conv2)
# Fully connected Variables
W_fc1 = weight_variable([7 * 7 * 32, 512])
b_fc1 = bias_variable([512])
# Fully connected Layer
h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*32])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1)+b_fc1)
_ = tf.histogram_summary('weights 3', W_fc1)
_ = tf.histogram_summary('biases 3', b_fc1)
# Drop out to reduce overfitting
keep_prob = tf.placeholder("float")
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
# Readout layer with sigmoid activation function.
W_fc2 = weight_variable([512, 2])
b_fc2 = bias_variable([2])
with tf.name_scope('Wx_b'):
y_conv=tf.sigmoid(tf.matmul(h_fc1_drop, W_fc2)+b_fc2)
_ = tf.histogram_summary('weights 4', W_fc2)
_ = tf.histogram_summary('biases 4', b_fc2)
_ = tf.histogram_summary('y', y_conv)
# Loss with squared errors
with tf.name_scope('diff'):
error = tf.reduce_sum(tf.abs(tf.sub(y_,y_conv)))
diff = (error*error)
_ = tf.scalar_summary('diff', diff)
# Train
with tf.name_scope('train'):
train_step = tf.train.AdamOptimizer(1e-4).minimize(diff)
# Merge summaries and write them out.
merged = tf.merge_all_summaries()
writer = tf.train.SummaryWriter('/home/user/TBlogs/oval_logs', sess.graph_def)
# Add ops to save and restore all the variables.
saver = tf.train.Saver()
# Launch the session.
sess.run(tf.initialize_all_variables())
# Restore variables from disk.
saver.restore(sess, "/home/user/TBlogs/model.ckpt")
for i in range(100000):
batch = oval.train.next_batch(50)
t_batch = oval.test.next_batch(50)
if i%10 == 0:
feed = {x:t_batch[0], y_: t_batch[1], keep_prob: 1.0}
result = sess.run([merged, diff], feed_dict=feed)
summary_str = result[0]
df = result[1]
writer.add_summary(summary_str, i)
print('Difference:%s' % (df)
else:
feed = {x:batch[0], y_: batch[1], keep_prob: 0.5}
sess.run(train_step, feed_dict=feed)
if i%1000 == 0:
save_path = saver.save(sess, "/home/user/TBlogs/model.ckpt")
# Completion
print("Session Done")
私が最も懸念しているのは、テンソル ボードが、何時間にもわたるトレーニングと学習率の低下 (コードには示されていませんが) の後でも、重みがほとんど変化していないことを示しているように見えることです。機械学習についての私の理解は、画像を畳み込むとき、レイヤーは効果的にエッジ検出のレイヤーになるということです...だから、なぜそれらがほとんど変わらないのか混乱しています。
現在の私の理論は次のとおり
です。 1.損失関数に関して何かを見落としたり誤解したりしました。
2. 重みがどのように初期化/更新されるかを誤解しています
3. プロセスにかかる時間を大幅に過小評価してしまいました.
どんな助けでも大歓迎です、ありがとう！