TensorFlow中的二元分类，损失和精度的意外大值

Question

我试图使用一个深层神经网络架构来根据二进制标签值-1和+1进行分类。这是我在tensorflow中执行此操作的代码。

import tensorflow as tf
import numpy as np
from preprocess import create_feature_sets_and_labels

train_x,train_y,test_x,test_y = create_feature_sets_and_labels()

x = tf.placeholder('float', [None, 5])
y = tf.placeholder('float')

n_nodes_hl1 = 500
n_nodes_hl2 = 500
n_nodes_hl3 = 500

n_classes = 1
batch_size = 100

def neural_network_model(data):

    hidden_1_layer = {'weights':tf.Variable(tf.random_normal([5, n_nodes_hl1])),
                      'biases':tf.Variable(tf.random_normal([n_nodes_hl1]))}

    hidden_2_layer = {'weights':tf.Variable(tf.random_normal([n_nodes_hl1, n_nodes_hl2])),
                      'biases':tf.Variable(tf.random_normal([n_nodes_hl2]))}

    hidden_3_layer = {'weights':tf.Variable(tf.random_normal([n_nodes_hl2, n_nodes_hl3])),
                      'biases':tf.Variable(tf.random_normal([n_nodes_hl3]))}

    output_layer = {'weights':tf.Variable(tf.random_normal([n_nodes_hl3, n_classes])),
                      'biases':tf.Variable(tf.random_normal([n_classes]))}


    l1 = tf.add(tf.matmul(data, hidden_1_layer['weights']), hidden_1_layer['biases'])
    l1 = tf.nn.relu(l1)

    l2 = tf.add(tf.matmul(l1, hidden_2_layer['weights']), hidden_2_layer['biases'])
    l2 = tf.nn.relu(l2)

    l3 = tf.add(tf.matmul(l2, hidden_3_layer['weights']), hidden_3_layer['biases'])
    l3 = tf.nn.relu(l3)

    output = tf.transpose(tf.add(tf.matmul(l3, output_layer['weights']), output_layer['biases']))
    return output



def train_neural_network(x):
    prediction = neural_network_model(x)
    cost = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(prediction, y))
    optimizer = tf.train.AdamOptimizer().minimize(cost)

    hm_epochs = 10

    with tf.Session() as sess:
        sess.run(tf.initialize_all_variables())

        for epoch in range(hm_epochs):
            epoch_loss = 0
            i = 0
            while i < len(train_x):
                start = i
                end = i + batch_size
                batch_x = np.array(train_x[start:end])
                batch_y = np.array(train_y[start:end])

                _, c = sess.run([optimizer, cost], feed_dict={x: batch_x,
                                              y: batch_y})
                epoch_loss += c
                i+=batch_size

            print('Epoch', epoch, 'completed out of', hm_epochs, 'loss:', epoch_loss)

        # correct = tf.equal(tf.argmax(prediction, 1), tf.argmax(y, 1))
        # accuracy = tf.reduce_mean(tf.cast(correct, 'float'))

        print (test_x.shape)
        accuracy = tf.nn.l2_loss(prediction-y,name="squared_error_test_cost")/test_x.shape[0]
        print('Accuracy:', accuracy.eval({x: test_x, y: test_y}))

train_neural_network(x)

这是我运行以下命令时得到的输出：

('Epoch', 0, 'completed out of', 10, 'loss:', -8400.2424869537354)
('Epoch', 1, 'completed out of', 10, 'loss:', -78980.956665039062)
('Epoch', 2, 'completed out of', 10, 'loss:', -152401.86713409424)
('Epoch', 3, 'completed out of', 10, 'loss:', -184913.46441650391)
('Epoch', 4, 'completed out of', 10, 'loss:', -165563.44775390625)
('Epoch', 5, 'completed out of', 10, 'loss:', -360394.44857788086)
('Epoch', 6, 'completed out of', 10, 'loss:', -475697.51550292969)
('Epoch', 7, 'completed out of', 10, 'loss:', -588638.92993164062)
('Epoch', 8, 'completed out of', 10, 'loss:', -745006.15966796875)
('Epoch', 9, 'completed out of', 10, 'loss:', -900172.41955566406)
(805, 5)
('Accuracy:', 5.8077128e+09)

我不知道我得到的值是否正确，因为真正缺乏非MNIST二进制分类示例。准确度和我期望的完全不一样。我期望的是一个百分比而不是那个大数值。

我也有点不确定机器学习背后的理论，这就是为什么我不能用tensorflow来判断我的方法的正确性。

有人能告诉我我对二进制分类的方法是否正确吗？ 我的代码的准确性部分是否正确？

Answer 1

由此：

a binary label value - -1 and +1

。我假设train_y和test_y中的值实际上是-1.0和+1.0

这对于您选择的损失函数sigmoid_cross_entropy_with_logits来说不是很好，它假设0.0和+1.0。负的y值导致了混乱！然而，损失函数的选择对二值分类是有利的。我建议将y值改为0和1。

此外，从技术上讲，网络的输出并不是最终的预测。损耗函数sigmoid_cross_entropy_with_logits设计用于在输出层使用具有乙状结肠传输函数的网络，尽管在完成此操作之前应用损耗函数是正确的。所以你的训练代码看起来是正确的

不过，我对tf.transpose并不是百分之百的确定-我会看看如果你删除它会发生什么，个人来说就是

output = tf.add(tf.matmul(l3, output_layer['weights']), output_layer['biases'])

不管怎样，这是“logit”输出，但不是您的预测。对于非常自信的预测，output的值可能会变得很高，这可能解释了您稍后由于缺少sigmoid函数而导致的非常高的值。因此，添加一个预测张量（它表示示例在正类中的概率/置信度）：

prediction = tf.sigmoid(output)

你可以用它来计算精度。您的精度计算不应该基于二级错误，而是正确值的总和-更接近您注释掉的代码（它似乎来自多类分类）。为了与二进制分类的真/假进行比较，需要设置预测的阈值，并与真标签进行比较。像这样的：

 predicted_class = tf.greater(prediction,0.5)
 correct = tf.equal(predicted_class, tf.equal(y,1.0))
 accuracy = tf.reduce_mean( tf.cast(correct, 'float') )

精度值应介于0.0和1.0之间。如果你想用百分数表示，当然要乘以100。