Классификатор изображений с использованием Cifar 100, точность поезда не увеличивается

Question

Классификатор изображений с использованием Cifar 100, точность поезда не увеличивается

Я только что исправил ту же проблему, запустив контейнеры в Docker Swarm. Похоже, что Swarm делает что-то, чтобы обновлять записи DNS. Я попытался удалить контейнер приложения вручную с помощью docker rm , масштабировал его вверх / вниз - в каждом случае это имя хоста было правильно разрешено только для существующих IP-адресов.

Если вы можете ' t использовать Swarm, я думаю, что другим решением будет запуск автономного инструмента обнаружения сервисов (возможно, в другом контейнере) и настройка других ваших контейнеров для использования в качестве DNS-сервера вместо встроенного.

2

python tensorflow machine-learning neural-network deep-learning

задан krsteeve 19 January 2019 в 00:22

1 ответ

Другие вопросы по тегам:

python tensorflow machine-learning neural-network deep-learning

Похожие вопросы:

score 0 · Answer 1

Первый аргумент, который вы передаете softmax_cross_entropy_with_logits_v2, неверен. Вы должны передать «предыдущие» значения, чтобы применить softmax. Это потому, что softmax_cross_entropy_with_logits_v2 действительно cross_entropy (softmax (x)). Обоснование состоит в том, что производная может быть упрощена.

В модели вы должны сделать следующее:

def classifierModel(inp):
    layer1=tf.nn.relu(tf.nn.conv2d(inp, filter=tf.Variable(tf.truncated_normal([5,5,3,16])), 
                                   strides=[1,2,2,1], padding='SAME'))
    layer1=tf.nn.bias_add(layer1, tf.Variable(tf.truncated_normal([16])))
    layer1=tf.nn.relu(tf.nn.max_pool(layer1, ksize=[1,1,1,1], strides=[1,2,2,1], padding='SAME'))

    layer2=tf.nn.relu(tf.nn.conv2d(layer1, filter=tf.Variable(tf.truncated_normal([5,5,16,32])), 
                                   strides=[1,2,2,1], padding='SAME'))
    layer2=tf.nn.bias_add(layer2, tf.Variable(tf.truncated_normal([32])))
    layer2=tf.nn.relu(tf.nn.max_pool(layer2, ksize=[1,1,1,1], strides=[1,2,2,1], padding='SAME'))

    layer3=tf.nn.relu(tf.nn.conv2d(layer2, filter=tf.Variable(tf.truncated_normal([5,5,32, 64])), 
                                   strides=[1,2,2,1], padding='SAME'))
    layer3=tf.nn.bias_add(layer3, tf.Variable(tf.truncated_normal([64])))

    layer3=tf.nn.relu(tf.nn.max_pool(layer3, ksize=[1,1,1,1], strides=[1,2,2,1], padding='SAME'))
    layer3=tf.nn.dropout(layer3, keep_prob=0.7)
    print(layer3.shape)


    fclayer1=tf.reshape(layer3, [-1, weights['fc1'].get_shape().as_list()[0]])
    fclayer1=tf.add(tf.matmul(fclayer1, weights['fc1']), biases['fc1'])
    fclayer1= tf.nn.dropout(fclayer1, keep_prob=0.5)
    fclayer2=tf.add(tf.matmul(fclayer1, weights['fc2']), biases['fc2'])
    fclayer2=tf.nn.dropout(fclayer2, keep_prob=0.5)
    fclayer3=tf.add(tf.matmul(fclayer2, weights['fc3']), biases['fc3'])
    fclayer3=tf.nn.dropout(fclayer3, keep_prob=0.7)
    logits = tf.add(tf.matmul(fclayer3, weights['out']), biases['out'])
    outLayer=tf.nn.softmax(logits)
    return outLayer, logits

В функции потерь:

model, logits = classifierModel(inp)
cost=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(logits=logits, labels=y))
optimizer=tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)
correct_pred=tf.equal(tf.argmax(model, 1), tf.argmax(y, 1))
accuracy=tf.reduce_mean(tf.cast(correct_pred, tf.float32))