Tensorflow DNNClassifier返回错误预测

Question

我尝试使用tensorflow创建一个句子分类器，就像官方站点tf.contrib.learn Quickstart的例子一样，但是使用我自己的数据，首先我通过使用字典将所有数据（长度可变的字符串）转换为id，然后将每个句子转换成整数数组。在

每个培训记录都有自己指定的标签。在

问题是预测不准确，只有一些预测，但其他预测即使输入等于训练基地的记录，结果也是错误的。
我的代码如下所示：

def launchModelData(values, labels, sample, actionClasses):

    #Tensor for trainig data
    v = tf.Variable(values)
    l = tf.Variable(labels)

    #Data Sample
    s = tf.Variable(sample)

    # Build 3 layer DNN with 10, 20, 10 units respectively.
    classifier = tf.contrib.learn.DNNClassifier(hidden_units=[10, 20, 10], n_classes=actionClasses)

    # Add an op to initialize the variables.
    init_op = tf.initialize_all_variables()

    # Later, when launching the model
    with tf.Session() as sess:
        # Run the init operation.
        sess.run(init_op)

        # Fit model.
        classifier.fit(x=v.eval(), y=l.eval(), steps=200)

        # Classify one new sample.
        new_sample = np.array(s.eval(), dtype=int)
        y = classifier.predict(new_sample)
        print ('Predictions: {}'.format(str(y)))

    return y

值和类别示例：

^{pr2}$

我是tensorflow的新手，所以我试着让它变得不那么复杂，欢迎任何帮助。在

编辑
我的实际训练数据是this.

我尝试了8个类和预测很好，所以也许我需要一个更大的语料库，我会尝试显示我的输出在一个新的编辑。在

编辑2

现在我使用五层[n，2n，4n，8n，16n]的组合，其中n=Classes and steps=20000，这减少了损失并提高了准确度，但同样，它只适用于少数目标（大约10个），预测错误的量更大。在

Answer 1

毕竟我对代码做了一些修改，但是没有任何进展，所以我改变了DNN分类器的参数，并增加了我的语料库的大小，这样就可以了。在

最后，这是我的参数约：
-步数=25000+
-层=[n/2，n，n*2，n*4，n*8]
*n=数字等级
-语料库大小=30000个样本
-数量等级=40

所以这样做损失等于0.0945。。。准确度=0.896…，不知道做这些改变是否能帮助别人，但对我来说确实如此。在

Answer 2

估计量学习负责创建会话和图形。它通过input-fn得到输入张量。每次拟合/评估/预测都会创建一个新的会话和图表。代码应类似于以下内容：

# Build 3 layer DNN with 10, 20, 10 units respectively.
my_feature = tf.contrib.layers.real_valued_column('my_feature')
classifier = tf.contrib.learn.DNNClassifier(feature_columns=[my_feature], hidden_units=[10, 20, 10], n_classes=actionClasses)

def _my_train_data():
  return {'my_feature': tf.constant(values), tf.constant(labels)

classifier.fit(input_fn=_my_train_data, steps=200)

# Classify one new sample.
def _my_predict_data():
  return {'my_feature': tf.Constant(s)
y = classifier.predict(input_fn=_my_predict_data)
print ('Predictions: {}'.format(str(y)))

return y