TensorFlow：各繰り返しの出力値を出力します。

Question

私はTensorFlowを試しています。イメージの代わりにCSVファイルから行を読み込んで、基本的なMNISTのバージョンを作成しようとしています。私は、MNISTの例とCSVフィーダの例に基づいてコードをまとめています。

私のCSVの各行の最初の100セルは、数字の「イメージ」を表し、同じ行の次の10セルは、MNISTの例のラベルと同様に、そのイメージを識別する「ラベル」を表します。

私はTensorFlowが実際のラベルと "推測された"出力を各反復ごとに並べて印刷することによって、CSVライン上の各繰り返しの間に実際に数を推定して印刷しようとしています。しかし、実際に印刷されているものは真のラベルであると思われます。y変数は、現在のxの値をxプレースホルダーに置き換える必要があるためです。

各繰り返しの実際のラベルではなく、推測値をどのように出力できますか？

私のコードは次のようになります。

fileName = 'TEST_data/TFTest.csv' 

filename_queue = tf.train.string_input_producer([fileName]) 

reader = tf.TextLineReader() 
key, value = reader.read(filename_queue) 

rDefaults = [] 
for i in range(0,110): 
    rDefaults.append((list([0]))) 

data = tf.decode_csv(value, record_defaults=rDefaults) 
fPack = tf.slice(data, [0], [100]) 
lPack = tf.slice(data, [100], [10]) 

features = tf.pack(fPack) 
label = tf.pack(lPack) 

x = tf.placeholder(tf.float32, [None, 100]) 
W = tf.Variable(tf.zeros([100, 10])) 
b = tf.Variable(tf.zeros([10])) 
y = tf.matmul(x, W) + b 

y_ = tf.placeholder(tf.float32, [None, 10]) 

cross_entropy = tf.reduce_mean(
     tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y)) 
train_step = tf.train.GradientDescentOptimizer(.5).minimize(cross_entropy) 

with tf.Session() as sess: 
    init = tf.initialize_all_variables() 
    sess.run(init) 
    coord = tf.train.Coordinator() 
    threads = tf.train.start_queue_runners(coord=coord) 
    i = 0 
    for i in range(10): 
     f, l = sess.run([features, label]) 
     f1 = np.reshape(f, (-1, 100)) 
     l1 = np.reshape(l, (-1, 10)) 
     sess.run(train_step, feed_dict={x: f1, y_: l1}) 
     if i%1==0: 
      print(sess.run(tf.argmax(l1, 1))) 
      print(sess.run(tf.argmax(y, 1), feed_dict={x: f1})) 
      print('********') 
     i = i + 1 

    coord.request_stop() 
    coord.join(threads) 

Answer 1

この行は、あなたがそのような値を印刷したい場合は、あなたがフェッチする必要があなたのソフトマックスyを

print(sess.run(tf.argmax(y, 1), feed_dict={x: f1})) 

内部の最高値のインデックスを返します。そのインデックスの値

print(sess.run(y[tf.argmax(y, 1)], feed_dict={x: f1})) 

あなたのクエストオンが正しく理解されている場合。