我正在基于Tensorflow的MNIST初学者模板开发一个网络。基本上，我试图实现一个简单的逻辑回归，其中10个连续变量预测一个二元结果，因此我的输入是0到1之间的10个值，我的目标变量（代码中的Y_train和Y_test）是1或0。

我的主要问题是无论我运行多少训练集，准确率都没有变化——无论是运行100步还是31240步，准确率都是0.276667。此外，当我从softmax切换到简单的matmul来生成我的Y值时，我得到的准确率是0.0，这表明我的x*W + b计算可能有问题。输入读取没有问题。

我想知道的是a)是否因为我的代码错误而导致我没有正确计算Y值，b)如果不是这样的话，是否可能我需要实现one_hot向量——即使我的输出已经是0或1的形式。如果是后者，我在生成目标值向量时应该在哪里包含one_hot=TRUE函数？谢谢！

import numpy as npimport tensorflow as tftrain_data = np.genfromtxt("TRAINDATA2.txt", delimiter="    ")train_input = train_data[:, :10]train_input = train_input.reshape(31240, 10)X_train = tf.placeholder(tf.float32, [31240, 10])train_target = train_data[:, 10]train_target = train_target.reshape(31240, 1)Y_train = tf.placeholder(tf.float32, [31240, 1])test_data = np.genfromtxt("TESTDATA2.txt", delimiter = "    ")test_input = test_data[:, :10]test_input = test_input.reshape(7800, 10)X_test = tf.placeholder(tf.float32, [7800, 10])test_target = test_data[:, 10]test_target = test_target.reshape(7800, 1)Y_test = tf.placeholder(tf.float32, [7800, 1])W = tf.Variable(tf.zeros([10, 1]))b = tf.Variable(tf.zeros([1]))Y_obt = tf.nn.softmax(tf.matmul(X_train, W) + b)Y_obt_test = tf.nn.softmax(tf.matmul(X_test, W) + b)cross_entropy = tf.nn.softmax_cross_entropy_with_logits(logits=Y_obt, labels=Y_train)train_step = tf.train.GradientDescentOptimizer(0.05).minimize(cross_entropy)sess = tf.InteractiveSession()tf.global_variables_initializer().run()for _ in range(31240):    sess.run(train_step, feed_dict={X_train: train_input,     Y_train:train_target})correct_prediction = tf.equal(tf.round(Y_obt_test), Y_test)accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))print(sess.run(accuracy, feed_dict={X_test : test_input, Y_test: test_target}))

回答：

由于你将值映射到一个元素的目标，你不应该使用softmax交叉熵，因为softmax操作将输入转换为概率分布，所有概率的总和等于1。由于你的目标只有一个元素，它每次只会输出1，因为这是将输入转换为概率分布的唯一可能方式。你应该改用tf.nn.sigmoid_cross_entropy_with_logits()（用于二元分类），并从Y_obt中移除softmax，并将其转换为tf.sigmoid()用于Y_obt_test。

另一种方法是将你的目标进行one-hot编码，并使用具有两个元素输出的网络。在这种情况下，你应该使用tf.nn.softmax_cross_entropy_with_logits()，但要从Y_obt中移除tf.nn.softmax()，因为softmax交叉熵期望未缩放的logits（https://www.tensorflow.org/api_docs/python/tf/nn/softmax_cross_entropy_with_logits）。对于Y_obt_test，在这种情况下当然不应移除它。

另一件事：使用cross_entropy = tf.reduce_mean(tf.sigmoid_cross_entropy_...)来计算交叉熵的平均值可能会有所帮助。