Python 如何从MATLAB深度学习模型转换为Keras代码
我正在Python3.7上制作Keras的二进制声音分类模型。我已经在MATLAB上建立了声音分类模型,但是MATLAB上没有安装特定的层(例如GRU)。因此,我尝试从MATLAB深度学习模型转换为Keras深度学习模型 原始MATLAB代码如下所示:Python 如何从MATLAB深度学习模型转换为Keras代码,python,matlab,tensorflow,keras,deep-learning,Python,Matlab,Tensorflow,Keras,Deep Learning,我正在Python3.7上制作Keras的二进制声音分类模型。我已经在MATLAB上建立了声音分类模型,但是MATLAB上没有安装特定的层(例如GRU)。因此,我尝试从MATLAB深度学习模型转换为Keras深度学习模型 原始MATLAB代码如下所示: inputsize=[31,69] layers = [ ... sequenceInputLayer(inputsize(1)) bilstmLayer(200,'OutputMode','last') fullyCon
inputsize=[31,69]
layers = [ ...
sequenceInputLayer(inputsize(1))
bilstmLayer(200,'OutputMode','last')
fullyConnectedLayer(2)
softmaxLayer
classificationLayer
]
options = trainingOptions('adam', ...
'MaxEpochs',30, ...
'MiniBatchSize', 200, ...
'InitialLearnRate', 0.01, ...
'GradientThreshold', 1, ...
'ExecutionEnvironment',"auto",...
'plots','training-progress', ...
'Verbose',false);
该模型得到的精度为0.955
基于MATLAB代码的Keras代码如下所示:
# traindatasize=(86400,31,69)
inputsize=(31,69)
batchsize=200
epochs=30
model = Sequential()
model.add(Bidirectional(LSTM(200, input_shape=inputsize)))
model.add(Dense(2, activation='softmax'))
model.compile(optimizer=RMSprop(), loss='binary_crossentropy', metrics=['accuracy'])
model.fit(traindata, trainlabel, batch_size=batchsize, epochs=epochs, verbose=1)
该模型得到的精度为0.444
我不明白效果如何。
traindata使用来自STFT的相同数据,并在训练前使用标准偏差和平均值对这些模型进行归一化。
请发表一些评论
蟒蛇上的Python 3.7
Keras 2.2.4我认为这是因为MATLAB代码使用Adam优化器进行训练,而您在:
model.compile(optimizer=RMSprop(),loss='binary_crossentropy',metrics=['accuracy'])
相反,请使用:
from keras import optimizers
adam = optimizers.Adam(learning_rate=0.001, beta_1=0.9, beta_2=0.999, amsgrad=False)
...
model.compile(optimizer=adam,loss='binary_crossentropy',metrics=['accuracy'])
检查这是否改善了答案。此代码已运行。使用MATLAB时,精度几乎达到了相同的水平。Keras的精度是错误的。。。正确值为0.946。这个问题是由Python上的标签造成的。