Machine learning 暹罗网络-如何实现它
我将尝试使用Keras实现这个暹罗NN： 该神经网络应用于将在线签名分类为真伪 因为我是机器学习和神经网络的新手，我想请你帮我编写代码 我试图在谷歌上找到一些预构建的代码，但我没有找到任何完全符合我目标的代码 这是我在python中使用keras库实现的类Machine learning 暹罗网络-如何实现它,machine-learning,keras,neural-network,deep-learning,computer-vision,Machine Learning,Keras,Neural Network,Deep Learning,Computer Vision,我将尝试使用Keras实现这个暹罗NN： 该神经网络应用于将在线签名分类为真伪 因为我是机器学习和神经网络的新手，我想请你帮我编写代码 我试图在谷歌上找到一些预构建的代码，但我没有找到任何完全符合我目标的代码 这是我在python中使用keras库实现的类 将numpy导入为np 从keras.models导入顺序 从keras.layers导入致密、激活、脱落 def构建模型（X_系列、Y_系列）： 批量大小=512 n_epoch=20 #我们有2个输入，每个签名1个； 左输入=输入（（1
将numpy导入为np
从keras.models导入顺序
从keras.layers导入致密、激活、脱落
def构建模型（X_系列、Y_系列）：
批量大小=512
n_epoch=20
#我们有2个输入，每个签名1个；
左输入=输入（（1，16000））
右输入=输入（（11600））
convnet=Sequential（）
add（ConvLSTM2D（过滤器=40，内核大小=（3,3），
输入_形状=（1，16000），
padding='same'，返回（序列=True））
convnet.add（BatchNormalization（））
#将网络的每个“支路”连接到每个输入
#记住，它们有相同的重量
编码的\u l=convnet（左\u输入）
编码\u r=convnet（右\u输入）
#获取两个编码之间的L1距离
L1\u层=np.连接（编码的\u l，编码的\u r）
#将距离函数添加到网络中
L1_距离=L1_层（[encoded_l，encoded_r]）
预测=密集（1，激活='sigmoid'）（L1_距离）
暹罗网=模型（输入=[左输入，右输入]，输出=预测）
优化器=Adam（0.001，衰减=2.5e-4）#不知道这些参数的用途
暹罗网编译（loss=“binary\u crossentropy”，optimizer=optimizer，metrics=['accurity']））
回归模型
如果名称=“\uuuuu main\uuuuuuuu”：
forgeries=np.loadtxt（'/content/forgeries.txt'，分隔符='，'）
genuines=np.loadtxt（'/content/genuines.txt'，分隔符='，'）
X=np.vstack（（真币、假币））
Y1=np.一（（376，1））
Y2=np.零（（94，1））
y=np.连接（（Y1，Y2））
模型=建筑模型（X_列车，y）
预测=[]
对于范围内的i（len（X_测试））：
prediction.append（np.ndarray.tolist（model.predict（np.array（[X_检验[i]]）））[0][0]）
阈值=np.平均值（np.数组（[预测]）
结果=[]；计数器=1；标志=1
对于范围内的i（len（预测））：
如果flag==1且预测[i]>thresh：
结果。追加（1）
elif标志==0且预测[i]2：
标志=非标志
计数器=1
#打印预测
#打印结果
精度=（浮点（结果计数（1））/len（结果））*100
印刷精度