Machine learning 如何使用Tensorflow.JS实现softmax
使用Tensorflow.JS,我尝试使用softmax激活功能,在最后一个密集层上运行机器学习模型。当我尝试运行它时,我收到: 检查目标时出错:预期密集密度2具有形状[,1],但获得具有形状[3,2]的数组 如果我注释掉fit函数并运行它,我会得到一个1x2数组(正如预期的那样,因为我在最后一层上有2个单元,我只在一个测试中输入 此外,当我将y变量更改为这个数组:[[1,2,3]]时,它会进行训练(但我认为这不正确,因为y不是最后一层(2)的正确形状) 任何建议或帮助,将不胜感激,以填补我的知识空白Machine learning 如何使用Tensorflow.JS实现softmax,machine-learning,deep-learning,neural-network,tensorflow.js,softmax,Machine Learning,Deep Learning,Neural Network,Tensorflow.js,Softmax,使用Tensorflow.JS,我尝试使用softmax激活功能,在最后一个密集层上运行机器学习模型。当我尝试运行它时,我收到: 检查目标时出错:预期密集密度2具有形状[,1],但获得具有形状[3,2]的数组 如果我注释掉fit函数并运行它,我会得到一个1x2数组(正如预期的那样,因为我在最后一层上有2个单元,我只在一个测试中输入 此外,当我将y变量更改为这个数组:[[1,2,3]]时,它会进行训练(但我认为这不正确,因为y不是最后一层(2)的正确形状) 任何建议或帮助,将不胜感激,以填补我的知
var tf = require('@tensorflow/tfjs');
let xs = tf.tensor([
[1,2],
[2,1],
[0,0]
]);
let ys = tf.tensor([
[1,2],
[2,1],
[1,1]
]);
async function createModel () {
const model = tf.sequential();
model.add(tf.layers.dense({inputShape: [2], units: 32, activation: "relu"}));
model.add(tf.layers.dense({units: 2}));
model.compile({loss: "sparseCategoricalCrossentropy",optimizer:"adam"});
//await model.fit(xs, ys, {epochs:1000});
model.predict(tf.tensor([[1,2]])).print();
}
createModel();
下面是最后一层上的softmax激活:
const model = tf.sequential();
model.add(tf.layers.dense({inputShape: [2], units: 32, activation: "relu"}));
model.add(tf.layers.dense({units: 2, activation:'softmax'}));
model.compile({loss: "sparseCategoricalCrossentropy",optimizer:"adam"});
model.predict(tf.tensor([[1,2]])).print();
对于错误:
检查目标时出错:预期密集密度2具有形状[,1],但获得具有形状[3,2]的数组
<>你可以考虑给出的答案。
您的错误与损失函数sparseCategoricalCrossentropy
有关,该函数期望标签为tensor1d
。如果您将此损失函数更改为Category CrossEntropy
,它将起作用。这两种损失的作用相同,标签的编码方式不同。但问题在于标签既不是为分类交叉熵
编码,也不是为稀疏分类交叉熵
编码
- 使用
时,标签是一维张量,其中值是类别的索引sparseCategoricalCrossentropy
- 当使用分类交叉熵时,标签是二维张量,也就是一个热编码