堆叠MNIST和Fashion_MNIST的困难

Question

我知道这对你们来说太简单了，但我是初学者，需要你们的帮助。 我正在努力用 CNN 制作二进制分类器。 我的最终目标是检查精度超过 0.99

我同时导入 MNIST 和 FASHION_MNIST 来识别它是数字还是服装。 所以有2类。我想将 0-60000 归类为 0，将 60001-120000 归类为 1。 我将使用 binary_crossentropy。

但我不知道如何从头开始。 如何首先使用 vstack hstack 来结合 MNIST 和 FASHION_MNIST？

这是我目前尝试的方式

****import numpy as np
from keras.datasets import mnist
from keras.datasets import fashion_mnist
import keras
import tensorflow as tf
from keras.utils.np_utils import to_categorical
num_classes = 2
train_images = train_images.astype("float32") / 255
test_images = test_images.astype("float32") / 255
train_images = train_images.reshape((-1, 784))
test_images = test_images.reshape((-1, 784))
train_labels = to_categorical(train_labels, num_classes)
test_labels = to_categorical(test_labels, num_classes)****

Answer 1

首先

它们是图像，因此最好将它们视为图像，不要将它们重塑为矢量。

现在是问题的答案。假设您有mnist_train_image 和fashion_train_image，两者都有(60000, 28, 28) 输入形状。

您要做的是由两部分组成，组合输入和制作目标。

首先输入

正如您已经在问题中写的那样，您可以像这样使用np.vstack

>>> train_image = np.vstack((fashion_train_image, mnist_train_image))
>>> train_image.shape
(120000, 28, 28)

但正如您应该已经注意到的那样，记住您是否需要 vstack 或 dstack 或 hstack 有点痛苦。我的偏好是我会改用np.concatenate

>>> train_image = np.concatenate((fashion_train_image, mnist_train_image), axis=0)
>>> train_image.shape
(120000, 28, 28)

现在无需记住鸭子是什么v 或 h 或 d 您只需要记住要连接的轴（或维度），在这种情况下，它是第一个轴，表示 0。尤其是在这种情况下，“垂直”是第二个轴，因为它是一堆图像，而第一个轴是“批处理”。

接下来是标签

既然您想将 0-60000 归类为 0，将 60001-120000 归类为 1，那么有很多奇特的方法可以做到这一点。

但简而言之，您可以使用 np.zeros 创建一个填充为 0 的数组。而 np.ones 可以创建一个填充为 1 的数组。但是ones 和 zeros 都给你一个浮点数组，我不确定这是否会成为问题，所以我在后面添加.astype('uint8')以防万一。您也可以在函数中添加参数dtype='uint8'。

使用上面的连接

>>> train_labels = np.concatenate((np.zeros(60000), np.ones(60000))).astype('uint8')
>>> train_labels.shape
(120000,)

对整个大小使用 1 或 0，然后减去或添加或重新分配其余部分

>>> train_labels = np.zeros(120000).astype('uint8')
>>> train_labels[60000:] = 1
#####
>>> train_labels = np.ones(120000, dtype='uint8')
>>> train_labels[:60000] -= 1

重要！！！！

您的示例中有一个关于标签的明显错误，索引从 0 开始，所以第 60,000 个索引是 59,999。

所以你真正想要的是将 0-59999 归类为 0，将 60000-119999 归类为 1。