Tensorflow DNNClassifier返回錯誤預測

Question

我嘗試使用tensorflow在官方網站tf.contrib.learn Quickstart的例子，但用自己的數據做一個句子分類，首先我我的所有數據（這是不同長度的字符串）轉換爲IDS通過字典的使用等等，用整數數組來轉換每個句子。

培訓的每條記錄都有自己分配的標籤。

的問題是，預測是不完全一樣，只有一些，但其他人即使輸入等於訓練基地的結果是錯誤的記錄。
我的代碼看起來是這樣的：

def launchModelData(values, labels, sample, actionClasses): 

    #Tensor for trainig data 
    v = tf.Variable(values) 
    l = tf.Variable(labels) 

    #Data Sample 
    s = tf.Variable(sample) 

    # Build 3 layer DNN with 10, 20, 10 units respectively. 
    classifier = tf.contrib.learn.DNNClassifier(hidden_units=[10, 20, 10], n_classes=actionClasses) 

    # Add an op to initialize the variables. 
    init_op = tf.initialize_all_variables() 

    # Later, when launching the model 
    with tf.Session() as sess: 
     # Run the init operation. 
     sess.run(init_op) 

     # Fit model. 
     classifier.fit(x=v.eval(), y=l.eval(), steps=200) 

     # Classify one new sample. 
     new_sample = np.array(s.eval(), dtype=int) 
     y = classifier.predict(new_sample) 
     print ('Predictions: {}'.format(str(y))) 

    return y 

值和類axample：

[0 1] 0 
[0 2] 0 
[0 4] 0 
[7 8] 1 
[7 9] 1 
[ 7 13] 1 
[14 15] 2 
[14 16] 2 
[14 18] 2 
[20 21] 3 
[26 27] 5 
[29 27] 5 
[31 32] 5 
... 

我是新來tensorflow所以我儘量讓它不太複雜的可能，任何幫助將受到歡迎。

編輯
我的實際訓練數據this.

我嘗試用8類和預測是很好，所以也許我需要一個更大的文集，我會盡量表現出我的輸出在一個新的編輯。

EDIT2

現在我用五層[N，2N，4N，8N，16N]，其中n =類和步驟= 20000的組合物，這降低了損耗和提高精度確實很好，但再次它只是與一些目標（10 aprox）與更大的數額預測變得錯誤的工作。

Answer 1

畢竟我做的代碼中的一些變化，但沒有任何進展可言，所以我改變了DNN分類的參數，並增加我的陰莖的大小和它的工作原理。

在結束，這是我的參數aprox的：
-Steps = 25000+
-layers = [N/2，N，N * 2，N * 4，N * 8]
* =數班
-Corpus大小= 30000個樣品
-Number類= 40

所以這樣的損失變得等於0.0945 ...和準確度= 0.896 ...，不知道如果這樣的變化可能幫助別人，但它爲我做。

Answer 2

估計在負責創建會話和圖形tf.learn。它通過input_fn獲得輸入張量。每個適合/評估/預測將創建一個新的會話和圖表。代碼應類似於以下內容：

# Build 3 layer DNN with 10, 20, 10 units respectively. 
my_feature = tf.contrib.layers.real_valued_column('my_feature') 
classifier = tf.contrib.learn.DNNClassifier(feature_columns=[my_feature], hidden_units=[10, 20, 10], n_classes=actionClasses) 

def _my_train_data(): 
    return {'my_feature': tf.constant(values), tf.constant(labels) 

classifier.fit(input_fn=_my_train_data, steps=200) 

# Classify one new sample. 
def _my_predict_data(): 
    return {'my_feature': tf.Constant(s) 
y = classifier.predict(input_fn=_my_predict_data) 
print ('Predictions: {}'.format(str(y))) 

return y