我有一个似乎工作正常的线性回归模型。我首先将data加载到X中，并将目标列加载到Y中，之后我实现了以下代码…
X_train, X_test, Y_train, Y_test = train_test_split( X_data, Y_data, test_size=0.2)rng = np.randomn_rows = X_train.shape[0]X = tf.placeholder("float")Y = tf.placeholder("float")W = tf.Variable(rng.randn(), name="weight")b = tf.Variable(rng.randn(), name="bias")pred = tf.add(tf.multiply(X, W), b)cost = tf.reduce_sum(tf.pow(pred-Y, 2)/(2*n_rows))optimizer = tf.train.GradientDescentOptimizer(FLAGS.learning_rate).minimize(cost)init = tf.global_variables_initializer()init_local = tf.local_variables_initializer()with tf.Session() as sess: sess.run([init, init_local]) for epoch in range(FLAGS.training_epochs): avg_cost = 0 for (x, y) in zip(X_train, Y_train): sess.run(optimizer, feed_dict={X:x, Y:y}) # 每轮显示日志 if (epoch + 1) % FLAGS.display_step == 0: c = sess.run( cost, feed_dict={X:X_train, Y:Y_train} ) print("Epoch:", '%04d' % (epoch + 1), "cost=", "{:.9f}".format(c)) print("优化完成！") accuracy, accuracy_op = tf.metrics.accuracy(labels=tf.argmax(Y_test, 0), predictions=tf.argmax(pred, 0)) print(sess.run(accuracy))我不知道如何打印模型的准确率。例如，在sklearn中，这很简单，如果你有一个模型，你只需打印model.score(X_test, Y_test)。但我不知道如何在tensorflow中做到这一点，或者这是否可能。
我想我可以计算均方误差。这有帮助吗？
编辑
我尝试按照评论中的建议实现tf.metrics.accuracy，但在实现过程中遇到了问题。文档说它需要两个参数，labels和predictions，所以我尝试了以下代码…
accuracy, accuracy_op = tf.metrics.accuracy(labels=tf.argmax(Y_test, 0), predictions=tf.argmax(pred, 0))print(sess.run(accuracy))但这会导致错误…
FailedPreconditionError（参见上面的跟踪）：尝试使用未初始化的值accuracy/count [[Node: accuracy/count/read = IdentityT=DT_FLOAT, _class=[“loc:@accuracy/count”], _device=”/job:localhost/replica:0/task:0/device:CPU:0″]]
这到底该如何实现？
回答：
在阅读了您发布的完整代码后，我注意到了一些其他问题：
- 在计算
pred时，您使用了pred = tf.add(tf.multiply(X, W), b)。tf.multiply执行逐元素乘法，不会为您提供神经网络所需的全连接层（我假设这是您最终的目标，因为您使用的是TensorFlow）。要实现全连接层，其中每层i（包括输入和输出层）有ni个节点，您需要为每一对连续层提供单独的权重和偏置矩阵。第i个权重矩阵（i层与i+1层之间的权重）的维度应为（ni，ni + 1），第i个偏置矩阵的维度应为（ni + 1，1）。然后，回到乘法操作 – 将tf.multiply替换为tf.matmul，您就可以了。我认为您现在的设置对于单类线性回归问题可能没问题，但如果您计划解决多类回归问题或实现更深的网络，这绝对是您想要的方式。 - 您的权重和偏置张量的形状为（1, 1）。您为变量提供了
np.random.randn()的初始值，根据文档，当没有提供参数时，会生成一个浮点数。您的权重和偏置张量的维度需要作为参数提供给np.random.randn()。更好的是，您实际上可以在Tensorflow中将这些初始化为随机值：W = tf.Variable(tf.random_normal([dim0, dim1], seed = seed)（我总是使用种子值初始化随机变量以确保可重复性） - 仅供参考，如果您还不知道这一点，但神经网络要有效，需要非线性激活函数。如果所有激活都是线性的，那么无论您有多少层，最终都会简化为简单的线性回归。许多人对隐藏层使用relu激活。对于输出层，对于输出类别互斥的多类分类问题（即，对于任何给定输入只能有一个正确类别），使用softmax激活，对于输出类别不互斥的多类分类问题，使用sigmoid激活。
