Question

我有一个神经网络，我使用TensorFlow进行培训。实际上，在每次迭代中，我都可以计算传递给优化器的培训成本。我的实现的伪代码是：

def defineNetworkStructure(): # layers 
    ...

def feedForward():
    ...

def defineCost():
    ...

def defineOptimizer():
    opt = ...

def train(train_X, train_Z, ...):
    with tf.Session() as sess:
        sess.run(tf.global_variables_initializer())
        for i in range(N):
            _, ith_cost = sess.run([opt, cost], feed_dict={X:train_X, Y:train_Y})

            print("Cost at {} is {}".format(i, ith_cost))

现在，在循环内部，我想插入类似的内容：

ith_cost = sess.run([opt, cost], feed_dict={X:test_X, Y:test_Y})

注意： test_X和test_Y，而不是train_X和train_Y。

但是，如果我这样做，我会修改tensorflow变量cost的值，结果（但我不确定），我会影响优化过程。

在tensorflow中实现此任务的最佳方法是什么？

Answer 1

你在这里错过的是，你不应该在test_X和test_Y上运行opt。

执行sess.run(cost, feed_dict={X:test_X, Y:test_Y})只会输出您的测试损失，并且不会影响培训或优化过程。

在培训期间评估测试错误的最佳方法是什么？

1 个答案: