tensorflow: 将计算出的权重应用于单一的mnist图像上。

Question

我正在通过使用tensorflow和mnist数据集的机器学习教程。比方说，我训练了我的模型并进行了测试，所以模型返回的权重W是一个形状的数组（784，10），偏置b是一个形状的数组（10，）。现在如果我从mnist测试数据集中选取一张图像

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

形状为(784,)，我想通过计算这个图像的预测值来计算

W*img+b这样的。

tf.matmul(W,img) + b

但由于等级问题，这样做是行不通的。相反，我试着按如下方式计算W * img。

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

然后得到最后的结果加上偏差: M+b. 这很好用，但必须有一个更简单的方法，而不是多次使用点积（在其他模型中，可能有远远超过10个标签）。

对于技术问题，学习和测试代码应该没有太大的相关性，但这里有代码，所以你可以重建输出

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.让我们选择mnist测试数据的第100张图像，这应该是一个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

用tf.constant将数组img和W转换为tensors.与其使用tf.einsum,不如使用tf.tensordot,但我找不到用什么作为轴参数来得到同样的结果.