我正在一個使用 keras（來自 tensorflow）的神經網路進行大學專案。我對這個庫很陌生，所以我真的不知道我應該如何將資料輸入模型以使訓練正常作業。我已經在互聯網上搜索了幾個小時，但找不到有關如何執行此操作的正確教程/檔案。
這是我正在使用的模型，可能是最簡單的模型之一：
model = keras.Sequential([
keras.layers.Dense(20, input_dim=1,activation = activations.relu),
keras.layers.Dense(10, activation= activations.relu),
keras.layers.Dense(8, activation= activations.sigmoid)
])
model.compile(optimizer = "adam", loss = "sparse_categorical_crossentropy",
metrics = ["accuracy"])
網路的輸入是一個包含 20 個浮點數的串列，輸出一個包含 8 個浮點數的串列，范圍從 0 到 1（置信度），所以我認為這個模型是可以的，如果我錯了，請告訴我。
這是我正在嘗試構建和訓練的模型的圖表：
假設我有：
- 預期輸出 [1,0,0,0,0,0,0,0] 的 10 個輸入示例（10 個 20 個浮點數的串列）
- 預期輸出 [0,1,0,0,0,0,0,0,0,0] 的 10 個輸入示例
- ...
- 預期輸出的 10 個輸入示例 [0,0,0,0,0,0,0,1]
我應該如何準備這些資料以便將其用于
model.fit(training_inputs,expected_outputs,epochs = NUM_EPOCHS) ?
training_inputs 到底應該是什么？和預期的輸出？
任何幫助將不勝感激。感謝您的時間！
uj5u.com熱心網友回復：
首先，您的模型中有兩個問題。根據你的描述，你的輸入資料是20維的，所以在第一層你應該有input_dim=20. 然后，你有一個交叉熵損失，所以我假設你正在訓練一個 8 類分類器。如果是這種情況，那么keras.layers.Dense(8, activation= activations.sigmoid)你應該使用
keras.layers.Dense(8, activation=None),
keras.layers.Softmax()
因為這可確保您獲得每個輸入資料點的類分布。
現在關于您的輸入資料問題，在您的情況下training_inputs，張量（或 numpy 陣列，可以很容易地轉換）是否應該具有形狀(n_points, 20)。因此，expected_outputs應該有形狀(n_points, 8)。因此，只需沿著第一個維度 ( axis=0)連接/堆疊您的輸入資料，這樣每一行都對應于您的 20 維資料點。你對 做同樣的expected_outputs事情，也許是這樣的，
expected_outputs = np.r_[
np.tile([[1,0,0,0,0,0,0,0]], (10, 1)),
np.tile([[0,1,0,0,0,0,0,0]], (10, 1)),
...
np.tile([[0,0,0,0,0,0,0,1]], (10, 1)),
]
記得設定batch_size和shuffle！
轉載請註明出處，本文鏈接：https://www.uj5u.com/qianduan/398281.html