报了这个错是为啥-慕课网

3回答

Oscar 2018-06-20 18:35:55

我的代码被你自己改过了，然后有好几个地方错误：

你的代码开始处没有 # -*- coding: UTF-8 -*-
pool2 的 inputs 应该是 conv2，你写了 conv1
conv2 的 inputs 应该是 pool1，你写了 input_x_images
test_output = sess.run(logits, {input_x: test_x[:20]}) 这句里 input_x 后面是冒号（:），你写了逗号（,）
最后那个测试的代码块（“# 测试：打印 20 个预测值和真实值”到最后），应该没有缩进才对。

正确的代码应该是：

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

127

128

129

130

131

132

133

134

135

136

137

138

139

140

141

142

143

144

145

146

147

148

149

150

151

152

153

154

155

156

157

158

159

160

161

162

163

164

165

166

167

168

169

170

171

172

173

174

175

# -*- coding: UTF-8 -*-
import tensorflow as tf
import numpy as np
# 下载并载入MNIST 手写数字库（55000 * 28 * 28） 55000张训练图像
from tensorflow.examples.tutorials.mnist import input_data
 
mnist = input_data.read_data_sets('mnist_data', one_hot=True)
 
# one_hot 独热码的编码(encoding) 心事
# 0,1,2,3,4,5,6,7,8,9 的十位数字
# 独热码会把这10位数字以一种独特的形式来表示
# 0 : 1000000000
# 1 : 0100000000
# 2 : 0010000000
# 3 : 0001000000
# 4 : 0000100000
# 5 : 0000010000
# 省略...
 
# 构建测试的数据
# None 表示张量(Tensor)的第一个维度可以是任何长度
# 除以255 是因为黑白图片(灰度图像)有0-255的一个灰度值的范围
input_x = tf.placeholder(tf.float32, [None, 28 * 28]) / 255.
# 输出:10个数字的标签
output_y = tf.placeholder(tf.int32, [None, 10])
# 改变形状之后的输入
input_x_images = tf.reshape(input_x, [-1, 28, 28, 1])
 
# 训练的数据库，测试的数据库，验证的数据库
# 这里用到训练的和测试的数据库
# 从 Test(测试)数据集里选取3000个手写数字的图片和对应标签
# 图片
test_x = mnist.test.images[:3000]
# 标签
test_y = mnist.test.labels[:3000]
 
# 构建我们的卷积神经网络
# conv:卷积 2d:二维
# 第 1 层卷积
conv1 = tf.layers.conv2d(
    # 形状是28*28*1
    inputs=input_x_images,
    # 32个过滤器,输出的深度(depth) 是32
    filters=32,
    # 过滤器在二维的大小是(5 * 5)
    kernel_size=[5, 5],
    # 步长是1(每跨一步采样一次)
    strides=1,
    # same表示输出的大小不变，因此需要在外围补零2圈
    padding='same',
    # 激活函数是Relu
    activation=tf.nn.relu
    # 形状变成28*28*32
)
# 池化层(亚采样)：只采集一部分数据
# Pool:2x2 stride:2
# 第 1 层池化(亚采样)
pool1 = tf.layers.max_pooling2d(
    # 形状 28*28*32
    inputs=conv1,
    # 过滤器在二维的大小是(2 * 2)
    pool_size=[2, 2],
    # 步长是2
    strides=2
    # 形状 [14, 14, 32]
)
 
# 第 2 层卷积
conv2 = tf.layers.conv2d(
    # 形状是14*14*32
    inputs=pool1,
    # 64个过滤器,输出的深度(depth) 是64
    filters=64,
    # 过滤器在二维的大小是(5 * 5)
    kernel_size=[5, 5],
    # 步长是1(每跨一步采样一次)
    strides=1,
    # same表示输出的大小不变，因此需要在外围补零2圈
    padding='same',
    # 激活函数是Relu
    activation=tf.nn.relu
    # 形状变成14*14*64
)
 
# Pool:2x2 stride:2
# 第 2 层池化(亚采样)
pool2 = tf.layers.max_pooling2d(
    # 形状 14*14*64
    inputs=conv2,
    # 过滤器在二维的大小是(2 * 2)
    pool_size=[2, 2],
    # 步长是2
    strides=2
    # 形状 [7, 7, 64]
)
 
# 平坦化(flat) 压成1*1
# 形状 [7 * 7 * 64]
flat = tf.reshape(pool2, [-1, 7 * 7 * 64])
 
# 1024 个神经元的全连接层
# dense : 密集
dense = tf.layers.dense(
    inputs=flat,
    # 1024个神经元
    units=1024,
    # 激活函数
    activation=tf.nn.relu
)
 
# Dropout : 丢弃 50%,  丢弃率: 0.5
dropout = tf.layers.dropout(
    inputs=dense,
    # 丢弃率
    rate=0.5
)
 
# 10 个神经元的全连接层, 这里不用激活函数来做非线性化了
# 输出。形状[1, 1, 10]
logits = tf.layers.dense(inputs=dropout, units=10)
 
# 计算误差 (计算 Cross entropy(交叉熵), 再用 softmax 激活函数计算出
# 百分比概率)
loss = tf.losses.softmax_cross_entropy(
    onehot_labels=output_y, logits=logits
)
 
# Adam优化器来最小化误差, 学习率 0.001
# minimize 最小化预测值和真实值的误差，越小越好
train_op = tf.train.AdamOptimizer(learning_rate=0.001).minimize(loss)
 
# 精度。计算 预测值 和 实际标签的匹配程度
# (accuracy, update_op), 会创建2个局部变量
# 返回,会返回2个值:第一个是精度，第二个是不断更新的操作(不断改变的精度)
accuracy = tf.metrics.accuracy(
    # argmax 返回所有维度的轴上面的最大的那个下标
    labels=tf.argmax(output_y, axis=1),
    # 预估
    predictions=tf.argmax(logits, axis=1)
)[1]
 
# 创建一个会话
with tf.Session() as sess:
    # 初始化变量、创建组
    init = tf.group(
        # 全局初始化
        tf.global_variables_initializer(),
        # 局部初始化
        tf.local_variables_initializer()
    )
    sess.run(init)
 
    # 训练2w次
    for i in range(20000):
        # 从 Train (训练) 数据集里取下一个50个样本
        batch = mnist.train.next_batch(50)
        # 计算误差 和 Adam 优化器
        train_loss, train_op_ = sess.run(
            [loss, train_op],
            {input_x: batch[0], output_y: batch[1]}
        )
        if i % 100 == 0:
            test_accuracy = sess.run(accuracy,
                                     {input_x: test_x,
                                      output_y: test_y
                                      })
            print("Step=%d, Train loss=%.4f, [Test accuracy=%.2f]"
                  % (i, train_loss, test_accuracy))
# 测试 : 打印 20 个预测值 和 真实值的对
test_output = sess.run(logits, {input_x: test_x[:20]})
inferenced_y = np.argmax(test_output, 1)
# 推测的数字
print(inferenced_y, 'Inferenced numbers')
# 真实的数字
print(np.argmax(test_y[:20], 1), 'Real numbers')

0 回复有任何疑惑可以回复我~

收起回答

提问者用代码把梦想照进现实 #1
```
谢谢老师!
```
回复有任何疑惑可以回复我~ 2018-06-20 19:38:01

Oscar 2018-06-20 18:03:29

为什么你的代码还是老版本的代码？

新版代码我2018年3月更新的。新版代码应该是这样的：

如果你是很早之前买我的课程的，请重置一下项目，参考这个回答：

https://coding.imooc.com/learn/questiondetail/49642.html

0 回复有任何疑惑可以回复我~

收起回答

提问者用代码把梦想照进现实 #1
```
才买哒，代码是照着视屏敲得，应该是我敲得时候敲错了
```
回复有任何疑惑可以回复我~ 2018-06-20 19:38:45

提问者用代码把梦想照进现实 2018-06-20 17:47:30

代码

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

127

128

129

130

131

132

133

134

135

136

137

138

139

140

141

142

143

144

145

146

147

148

149

150

151

152

153

154

155

156

157

158

159

160

161

162

163

164

165

166

167

168

169

170

171

172

173

174

import tensorflow as tf
import numpy as np
# 下载并载入MNIST 手写数字库（55000 * 28 * 28） 55000张训练图像
from tensorflow.examples.tutorials.mnist import input_data
 
mnist = input_data.read_data_sets('mnist_data', one_hot=True)
 
# one_hot 独热码的编码(encoding) 心事
# 0,1,2,3,4,5,6,7,8,9 的十位数字
# 独热码会把这10位数字以一种独特的形式来表示
# 0 : 1000000000
# 1 : 0100000000
# 2 : 0010000000
# 3 : 0001000000
# 4 : 0000100000
# 5 : 0000010000
# 省略...
 
# 构建测试的数据
# None 表示张量(Tensor)的第一个维度可以是任何长度
# 除以255 是因为黑白图片(灰度图像)有0-255的一个灰度值的范围
input_x = tf.placeholder(tf.float32, [None, 28 * 28]) / 255.
# 输出:10个数字的标签
output_y = tf.placeholder(tf.int32, [None, 10])
# 改变形状之后的输入
input_x_images = tf.reshape(input_x, [-1, 28, 28, 1])
 
# 训练的数据库，测试的数据库，验证的数据库
# 这里用到训练的和测试的数据库
# 从 Test(测试)数据集里选取3000个手写数字的图片和对应标签
# 图片
test_x = mnist.test.images[:3000]
# 标签
test_y = mnist.test.labels[:3000]
 
# 构建我们的卷积神经网络
# conv:卷积 2d:二维
# 第 1 层卷积
conv1 = tf.layers.conv2d(
    # 形状是28*28*1
    inputs=input_x_images,
    # 32个过滤器,输出的深度(depth) 是32
    filters=32,
    # 过滤器在二维的大小是(5 * 5)
    kernel_size=[5, 5],
    # 步长是1(每跨一步采样一次)
    strides=1,
    # same表示输出的大小不变，因此需要在外围补零2圈
    padding='same',
    # 激活函数是Relu
    activation=tf.nn.relu
    # 形状变成28*28*32
)
# 池化层(亚采样)：只采集一部分数据
# Pool:2x2 stride:2
# 第 1 层池化(亚采样)
pool1 = tf.layers.max_pooling2d(
    # 形状 28*28*32
    inputs=conv1,
    # 过滤器在二维的大小是(2 * 2)
    pool_size=[2, 2],
    # 步长是2
    strides=2
    # 形状 [14, 14, 32]
)
 
# 第 2 层卷积
conv2 = tf.layers.conv2d(
    # 形状是14*14*32
    inputs=input_x_images,
    # 64个过滤器,输出的深度(depth) 是64
    filters=64,
    # 过滤器在二维的大小是(5 * 5)
    kernel_size=[5, 5],
    # 步长是1(每跨一步采样一次)
    strides=1,
    # same表示输出的大小不变，因此需要在外围补零2圈
    padding='same',
    # 激活函数是Relu
    activation=tf.nn.relu
    # 形状变成14*14*64
)
 
# Pool:2x2 stride:2
# 第 2 层池化(亚采样)
pool2 = tf.layers.max_pooling2d(
    # 形状 14*14*64
    inputs=conv1,
    # 过滤器在二维的大小是(2 * 2)
    pool_size=[2, 2],
    # 步长是2
    strides=2
    # 形状 [7, 7, 64]
)
 
# 平坦化(flat) 压成1*1
# 形状 [7 * 7 * 64]
flat = tf.reshape(pool2, [-1, 7 * 7 * 64])
 
# 1024 个神经元的全连接层
# dense : 密集
dense = tf.layers.dense(
    inputs=flat,
    # 1024个神经元
    units=1024,
    # 激活函数
    activation=tf.nn.relu
)
 
# Dropout : 丢弃 50%,  丢弃率: 0.5
dropout = tf.layers.dropout(
    inputs=dense,
    # 丢弃率
    rate=0.5
)
 
# 10 个神经元的全连接层, 这里不用激活函数来做非线性化了
# 输出。形状[1, 1, 10]
logits = tf.layers.dense(inputs=dropout, units=10)
 
# 计算误差 (计算 Cross entropy(交叉熵), 再用 softmax 激活函数计算出
# 百分比概率)
loss = tf.losses.softmax_cross_entropy(
    onehot_labels=output_y, logits=logits
)
 
# Adam优化器来最小化误差, 学习率 0.001
# minimize 最小化预测值和真实值的误差，越小越好
train_op = tf.train.AdamOptimizer(learning_rate=0.001).minimize(loss)
 
# 精度。计算 预测值 和 实际标签的匹配程度
# (accuracy, update_op), 会创建2个局部变量
# 返回,会返回2个值:第一个是精度，第二个是不断更新的操作(不断改变的精度)
accuracy = tf.metrics.accuracy(
    # argmax 返回所有维度的轴上面的最大的那个下标
    labels=tf.argmax(output_y, axis=1),
    # 预估
    predictions=tf.argmax(logits, axis=1)
)[1]
 
# 创建一个会话
with tf.Session() as sess:
    # 初始化变量、创建组
    init = tf.group(
        # 全局初始化
        tf.global_variables_initializer(),
        # 局部初始化
        tf.local_variables_initializer()
    )
    sess.run(init)
 
    # 训练2w次
    for i in range(20000):
        # 从 Train (训练) 数据集里取下一个50个样本
        batch = mnist.train.next_batch(50)
        # 计算误差 和 Adam 优化器
        train_loss, train_op_ = sess.run(
            [loss, train_op],
            {input_x: batch[0], output_y: batch[1]}
        )
        if i % 100 == 0:
            test_accuracy = sess.run(accuracy,
                                     {input_x: test_x,
                                      output_y: test_y
                                      })
            print("Step=%d, Train loss=%.4f, [Test accuracy=%.2f]"
                  % (i, train_loss, test_accuracy))
        # 测试 : 打印 20 个预测值 和 真实值的对
        test_output = sess.run(logits, {input_x, test_x[:20]})
        inferenced_y = np.argmax(test_output, 1)
        # 推测的数字
        print(inferenced_y, 'Inferenced numbers')
        # 真实的数字
        print(np.argmax(test_y[:20], 1), 'Real numbers')

0 回复有任何疑惑可以回复我~

收起回答

报了这个错是为啥

正在回答

3回答

相似问题

请选择置顶位置

本课精华内容

在转换成逻辑矩阵时出错zero-size array to reduction operation maximum which has no identity

老师好，能否增加一块讲解内容，讲解一下在windows环境下和linux环境下安装和配制tensorflow开发环境的课程

安装tensorflow 显示没有合适的版本

photoshop的train.py不能保存模型文件：generator_weight

请问一下，我从virtualbox导入课程提供的IMOOC.vdi虚拟机文件，为什么进去之后全是命令行视图，不像课程里讲的那样有界面的

热搜

最近搜索清空

报了这个错是为啥

正在回答

3回答

相似问题

请选择置顶位置

本课精华内容

在转换成逻辑矩阵时出错zero-size array to reduction operation maximum which has no identity

老师好，能否增加一块讲解内容，讲解一下在windows环境下和linux环境下安装和配制tensorflow开发环境的课程

安装tensorflow 显示没有合适的版本

photoshop的train.py不能保存模型文件：generator_weight

请问一下，我从virtualbox导入课程提供的IMOOC.vdi虚拟机文件，为什么进去之后全是命令行视图，不像课程里讲的那样有界面的