我嘗試從GitHub使用MLPClassifier：使用MLPClassifier Tensorflow
但其實我不知道怎樣才能用我自己的數據使用它。我有尺寸爲20000x100的特徵矩陣X和尺寸爲20000的5個類別的目標矢量y。
X和y保存在一個numpy數組中。我感到困惑的是：
x = tf.placeholder("float", [None, n_input]) #n_input is 100 here, right?
y = tf.placeholder("float", [None, n_classes])
total_batch = int(mnist.train.num_examples/batch_size) #What is that for my data?
batch_x, batch_y = mnist.train.next_batch(batch_size)#what are these?
如果你看看你的變量batch_x，你會看到它的簡單形狀[batch_size, 784]的numpy的數組，所以batch_size壓扁的圖像和batch_y是形狀[batch_size, 10]的數組，所以在batch_x
所以，如果你想用這個模型中使用自己的數據每個圖像1獨熱編碼的標籤，你必須：
[batch_size, 784]和[batch_size, 10]）x和y，使他們可以在自己的數據在你的情況的形狀，然後簡單地確實改變代碼中使用：
n_input = 100
n_classes = 5
total_batch = int(20000/batch_size)
此外，最好不要使用上述數字，而應從數據中獲取這些值：
n_input = your_x_data.shape[1]
n_classes = your_y_data.shape[1]
# or n_classes = your_y_data.max(axis=1)
# if your y data array is not already one-hot encoded
total_batch = int(your_x_data.shape[0]/batch_size)
除了@ted的回答外，您還需要修改total_batch的計算。 total_batch是您的網絡將生成的批次數。假設X包含您的數據，則必須用int(20000/batch_size)或int(X.shape[0]/batch_size)替換int(mnist.train.num_examples/batch_size)。您可以在那裏選擇一個批量大小，例如200.
在我的示例中，batch_size究竟是什麼？從我的理解應該是一個特點，對吧？所以它應該是平等的？ – HansPeterLoft
批處理大小是執行參數更新之前由神經網絡處理的事件的數量。如果您選擇較高的批量大小，則訓練將不太容易出現數據集的波動，但可能會更慢一些。你可能想看看http://sebastianruder.com/optimizing-gradient-descent/，特別是有關梯度下降變體的章節。在那裏你會找到一個很好的解釋是什麼小批量。 – ml4294
謝謝，但我仍然有問題與我y。當我用n_classes = 5定義y = tf.placeholder（「float」，[None，n_classes]）時，那麼我的y的維度是？x5而不是？x1？另外我不確定total_batch？我認爲這只是一個例子，對吧？ – HansPeterLoft
我用y解決了這個問題，它被表示爲一個矩陣。 – HansPeterLoft
我編輯了我的答案以清除 – ted