Python MNIST上的转移学习：错误标签错误

所以我在MNIST数据集上用tensorflow训练了一个感知器，但只训练了数字0到4。然后，我制作了一个新模型，所有层和权重都相同，但新的输出层也有5个输出节点。我想训练这个新模型把数字5到9分类

我生成了一个新的x_序列和y_序列，只有数字5到9，然后运行

transfer\u model.fit（x\u train[train\u filter]，y\u train[train\u filter]，epoch=5）

其中列过滤器定义为

np。其中（np.logical\u和（x\u列=9））

在培训的第一步，我遇到了以下错误：

InvalidArgumentError:收到的标签值为9，超出了[0,5]的有效范围。标签值：5 9 7 8 9 8 7 6 7 6 9 5 8 7 6 9 7 6 7 6 6

这是有意义的，因为我最初训练网络在[0,5]范围内进行分类，但现在我想在[5,10]范围内进行分类。我遗漏了一步吗？我不确定我遗漏了什么…我如何定义每个输出神经元对应的内容

以下是我的模型摘要：

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
flatten_7 (Flatten)          (None, 784)               0         
_________________________________________________________________
dense_49 (Dense)             (None, 100)               78500     
_________________________________________________________________
batch_normalization_10 (Batc (None, 100)               400       
_________________________________________________________________
dropout_5 (Dropout)          (None, 100)               0         
_________________________________________________________________
dense_50 (Dense)             (None, 100)               10100     
_________________________________________________________________
batch_normalization_11 (Batc (None, 100)               400       
_________________________________________________________________
dropout_6 (Dropout)          (None, 100)               0         
_________________________________________________________________
dense_51 (Dense)             (None, 100)               10100     
_________________________________________________________________
batch_normalization_12 (Batc (None, 100)               400       
_________________________________________________________________
dropout_7 (Dropout)          (None, 100)               0         
_________________________________________________________________
dense_52 (Dense)             (None, 100)               10100     
_________________________________________________________________
batch_normalization_13 (Batc (None, 100)               400       
_________________________________________________________________
dropout_8 (Dropout)          (None, 100)               0         
_________________________________________________________________
dense_53 (Dense)             (None, 100)               10100     
_________________________________________________________________
batch_normalization_14 (Batc (None, 100)               400       
_________________________________________________________________
dropout_9 (Dropout)          (None, 100)               0         
_________________________________________________________________
dense_55 (Dense)             (None, 5)                 505       
=================================================================
Total params: 121,405
Trainable params: 505
Non-trainable params: 120,900
_________________________________________________________________

---

您需要将5-9映射到0-4。类标签可能是通过一个热编码完成的，您有5个唯一的标签，因此它只需要一个长度为5的向量来表示它。但是由于标签是5-9，它将超出范围。您不需要调整模型，只需将一个映射添加到标签输出。

由于您使用

numpy

，您可以尝试f滚滚

将tensorflow导入为tf
将numpy作为np导入
arr=np.数组（[5,6,7,8,9,8,7,6,5]）
arr=tf.one_hot（arr，10，axis=0）.numpy（）
arr=arr[5:]
argmax（arr.numpy（）#返回数组（[0,1,2,3,4,3,2,1,0]）

或者使用

tf.map\u fn

arr=np.数组（[5,6,7,8,9,8,7,6,5]）
tf.map_fn（lambda x:x-5，arr）.numpy（）#数组（[0,1,2,3,4,3,2,1,0]）

有道理，但我应该在我的keras代码的哪一点上做这个映射？我假设keras对此有一些东西，但我不知道具体是什么。将映射查找添加到dataloader部分，例如，当您获取数据和标签时，将标签映射到相应的0索引值。然后在查看输出时，使用反向映射将输出映射回to适当的标签。