python之TensorFlow之使用批量数据验证准确性

正如教程所说，在每个特定步骤之后，我现在需要使用“验证”数据集来验证模型的准确性，并最终使用“测试”数据集来测试准确性。

示例代码:

correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1)) 
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) 
 
validate_acc = sess.run(accuracy, feed_dict=validate_feed) 

但我认为它对我的设备来说太大了，可能会发生 OOM。

如何将一批 validate_feed 提供给方法 'accuracy' 并获得总的 'validate_acc'？

(如果我从数据集创建一个迭代器，我如何将 next_batch 提供给 'accuracy' 方法？)

谢谢大家的帮助!

请您参考如下方法:

通常，您使用类似于以下内容的方法来衡量准确性:

correct_prediction = tf.equal(tf.argmax(logits, 1), tf.argmax(y_, 1)) 
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) 

logits 是您通常传递到 softmax - 交叉熵层的最终特征。上面计算的是给定批处理的准确度，而不是整个数据集的准确度。您可以改为执行以下操作:

correct_prediction = tf.equal(tf.argmax(logits, 1), tf.argmax(y_, 1)) 
total_correct = tf.reduce_sum(tf.cast(correct_prediction, tf.float32)) 

对测试集中的每个批处理执行“total_correct”并累积它们:

  correct_sum = 0 
  for batch in data_set: 
       batch_correct_count = sess.run(total_correct, feed_dict=validate_feed) 
       correct_sum += batch_correct_count 
 
  total_accuracy = correct_sum / data_set.size() 

使用上面的公式，您可以通过批量处理数据来正确计算整体精度。当然，这是假设 for 循环在数据集中的互斥批处理上运行。您应该避免禁用 iid 采样或从数据集中进行替换采样，这通常用于随机训练。