tensorflow:将计算的权重应用于单个mnist图像

Question

我正在学习一个使用tensorflow和mnist数据集的机器学习教程。假设我训练了我的模型并对其进行了测试，因此模型将权重W返回为形状数组(784，10(，将偏差b返回为形状阵列(10，(。现在，如果我从mnist测试数据集中选择一张图像

img=mnist.test.images[1,:]

它的形状是(784，(，我假设通过计算来计算该图像的预测

W*img+b像这样：

tf.matmul(W,img) + b

但由于排名问题，这不起作用。相反，我尝试如下计算W*img：

M=[W[:,0].dot(img), W[:,1].dot(img), W[:,2].dot(img), ..., W[:,9].dot(img)]

然后得到加上偏置的最终结果：M+b。这很好，但必须有一种更简单的方法，而不是多次使用点积(在其他型号中，可能有10个以上的标签(。

对于技术问题，学习和测试代码应该没有太大的相关性，但这是代码，因此您可以重建输出

import tensorflow as tf
from tqdm import trange
from tensorflow.examples.tutorials.mnist import input_data
# Import data
mnist = input_data.read_data_sets("datasets/MNIST_data/", one_hot=True)
# Create the model
x = tf.placeholder(tf.float32, [None, 784])
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
y = tf.matmul(x, W) + b
# Define loss and optimizer
y_ = tf.placeholder(tf.float32, [None, 10])
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(labels=y_, logits=y))
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
# Create a Session object, initialize all variables
sess = tf.Session()
sess.run(tf.global_variables_initializer())
# Train
for _ in trange(1000):
batch_xs, batch_ys = mnist.train.next_batch(100)
sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
# Test trained model
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
print('Test accuracy: {0}'.format(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})))
#The output can be extracted using
W = sess.run(W)
b = sess.run(b) 
sess.close()

Answer 1

我的问题的答案似乎是tf.einsum。让我们选取mnist测试数据的第100个图像，它应该是6:

img=np.asarray([mnist.test.images[100,:]]) #(a 28x28 image of a 6)
imgT=tf.constant(np.transpose(img)) #TensorShape([Dimension(784), Dimension(1)])
wT=tf.constant(np.transpose(W)) #TensorShape([Dimension(10), Dimension(784)])
with tf.Session() as sess: 
R=sess.run(tf.einsum('ij,jk->ki', wT, imgT)+b)
sess.close
np.argmax(R) #=6

使用tf.constant，数组img和W被转换为张量。除了使用tf.einsum，可能还有一种方法可以使用tf.tensordot，但我找不到用什么作为axes参数来获得相同的结果。