python - 如何使用python中的keras在tensorflow中编写分类算法？答案

【问题标题】：How to write a classification algorithm in tensorflow using keras in python?python - 如何使用python中的keras在tensorflow中编写分类算法？
【发布时间】：2019-10-13 00:16:39
【问题描述】：

我有一个包含 2 张图像的训练集，其中包含 64 个特征和一个附加标签，即匹配/不匹配。

如何使用 keras 在神经网络中输入这些数据？

我的数据如下：

我想训练神经网络，以便在训练后如果我提供 2 个 64 个特征的数组，那么它应该能够判断它们是否匹配？

【问题讨论】：

您应该查看有关创建具有 2 个输出的分类器的教程。网上有很多。
检查过，但他们没有解决我的问题。你能为此推荐任何具体的教程吗？
基本上你没有提供任何需要解决的具体问题。这类问题一般不受欢迎。你应该提供一个minimal, verifiable example

标签： python tensorflow keras classification

【解决方案1】：

由于您已经提取了期货，我建议只使用一些密集层并将“真”和“假”分别转换为 1 和 0，然后在最后的密集层上使用 sigmoid .

先尝试一些简单的东西，看看效果如何，然后继续，需要更多帮助，请问

编辑

def generator(batch_size=10, nr_features=126):
    feed_data = np.zeros((batch_size, nr_features))
    labels = np.zeros(batch_size)
    i = 0
    for entry in data:
        if entry.pop(-1) == "true":
            labels[i] = 1
        else:
            labels[i] = 0
        feed_data[i, :] = np.array(entry).flatten()
        i += 1
        if not (i % batch_size):
            i = 0
            yield feed_data, labels


model = keras.Sequential()
model.add(keras.layers.Dense(126, input_dim=126))
model.add(keras.layers.Dense(20))
model.add(keras.layers.Dense(1))
model.add(keras.layers.Activation('sigmoid'))
model.compile(optimizer='adam',
              loss='binary_crossentropy',
              metrics=['accuracy'])
for d, l in generator():
    model.train_on_batch(d, l)

那么会发生什么，

生成器中的数据是你的完整数据，我弹出真/假，将其转换为1/0并将其放入标签数组中，我将所有特征连接为126的特征向量。所以feed_data.shape = (10, 126) 和 labels.shape = (10)。

我将它提供给一个简单的全连接网络，最终得到一个 sigmoid。 Sigmoid 对概率很有用，所以在这种情况下，输出将是特征向量为真的概率。我只是提供数据。

简单的例子，不是完整的代码，但应该让你开始，我测试了它，它为我运行，但我还没有训练任何东西，这是给你的，祝你好运！

哦，还有问题，问吧

【讨论】：

是的，我想问一件事，我有 2 张图片要匹配，每张都有 64 个特征。那么，我的输入层会有 64+64=128 个节点吗？
并非如此，输入将有 64 个节点，您将提供一批 2 个，但是等等，您只有 2 个图像？然后不要使用深度学习，只使用openCV，你不能只用2张图像训练任何东西，或者我很困惑xd
我有这种格式的数据，[ [ [ image 1 ], [ image 2 ], "true" ], [ [ image 1 ], [ image 2 ], "true" ], [ [图片 1 ]、[ 图片 2 ]、“真实”]、[[ 图片 1 ]、[图片 2]、“真实”]、....]
诚实地拆分数据是有意义的
我目前有 50 个训练样例，我计划在其上运行多次迭代