批量训练但在 Tensorflow 中测试单个数据项？

Question

我已经训练了一个批量大小为 10 的卷积神经网络。但是在测试时，我想分别预测每个数据集的分类而不是批量预测，这会产生错误：

Assign requires shapes of both tensors to match. lhs shape= [1,3] rhs shape= [10,3]

我理解 10 指的是batch_size3 是我要分类的类的数量。

我们可以不使用批次进行训练并单独测试吗？

更新：

训练阶段：

batch_size=10
classes=3
#vlimit is some constant : same for training and testing phase
X = tf.placeholder(tf.float32, [batch_size,vlimit ], name='X_placeholder')
Y = tf.placeholder(tf.int32, [batch_size, classes], name='Y_placeholder')
w = tf.Variable(tf.random_normal(shape=[vlimit, classes], stddev=0.01), name='weights')
b = tf.Variable(tf.ones([batch_size,classes]), name="bias")
logits = tf.matmul(X, w) + b
entropy = tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=Y, name='loss')
loss = tf.reduce_mean(entropy)
optimizer = tf.train.AdamOptimizer(learning_rate).minimize(loss)

测试阶段：

batch_size=1
classes=3
X = tf.placeholder(tf.float32, [batch_size,vlimit ], name='X_placeholder')
Y = tf.placeholder(tf.int32, [batch_size, classes], name='Y_placeholder')
w = tf.Variable(tf.random_normal(shape=[vlimit, classes], stddev=0.01), name='weights')
b = tf.Variable(tf.ones([batch_size,classes]), name="bias")
logits = tf.matmul(X, w) + b
entropy = tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=Y, name='loss')
loss = tf.reduce_mean(entropy)
optimizer = tf.train.AdamOptimizer(learning_rate).minimize(loss)

Answer 1

定义占位符时，请使用：

X = tf.placeholder(tf.float32, [None, vlimit ], name='X_placeholder')
Y = tf.placeholder(tf.int32, [None, classes], name='Y_placeholder')
...

相反，您的培训和测试阶段（实际上，您不需要为测试阶段重新定义这些）。还将您的偏见定义为：

b = tf.Variable(tf.ones([classes]), name="bias")

否则，您将为批次中的每个样本训练单独的偏差，这不是您想要的。

TensorFlow 应自动沿输入的第一个维度展开，并将其识别为批次大小，因此对于训练，您可以向其提供 10 个批次，而对于测试，您可以向其提供单个样本（或 100 个批次或其他样本）。