TensorFlow中的二进制分类，损失和准确性出乎意料的大值

TensorFlow中的二进制分类，损失和准确性出乎意料的大值

由此：

二进制标签值–1和+1

。。。我假设在你的价值观

train_y

和

test_y

实际上是-1.0到+1.0

这不能与您选择的损失函数很好地配合

sigmoid_cross_entropy_with_logits

-假定为0.0和+1.0。负值

y

会引起混乱！但是，损失函数的选择对于二进制分类是有利的。我建议将您的

y

值更改为0和1。

另外，从技术上讲，网络的输出不是最终的预测。损耗函数

sigmoid_cross_entropy_with_logits

被设计为与在输出层中具有S型传递函数的网络一起使用，尽管您已经正确地知道
在执行 此 *** 作 之前 已经应用了损耗函数。所以您的训练代码看起来正确

我不确定

tf.transpose

该如何做-我会亲自查看将其删除会如何？

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

无论哪种方式，这都是“
logit”输出，而不是您的预测。

output

对于非常自信的预测，的值可能会很高，这可能会在以后由于缺少S形函数而说明您的很高的值。因此，添加一个预测张量（这表示该示例处于肯定类别中的概率/置信度）：

prediction = tf.sigmoid(output)

您可以使用它来计算准确性。您的准确性计算不应基于L2误差，而应基于正确值的总和-
更接近于您注释掉的代码（这似乎来自多类分类）。要对二进制分类与真/假进行比较，您需要对预测进行阈值处理，并与真标签进行比较。像这样：

 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') )

精度值应在0.0到1.0之间。如果要以百分比表示，请当然乘以100。