Python 关于机器学习中的时代和图像

当我传递到CNN模型时，我在train_images中有186个图像，在valid_images中有174个图像。我没有创建任何批量大小。数据集名称为

“”
打印（序列图像.形状）
打印（类型（列车图像））
打印（有效的图像.形状）
打印（类型（有效图片））
打印（序列号目标形状）
打印（有效的\u targets.shape）
打印（类型（系列目标））
打印（类型（有效_目标））
'''
输出为
(186, 20, 20, 3)
(174, 20, 20, 3)
(186, 33)
(174, 33)
'''
模型
model=tf.keras.Sequential（）
添加（tf.keras.layers.Conv2D（20，（3,3），activation='relu'，input_shape=（20,20,3）））
添加（tf.keras.layers.MaxPooling2D（2,2））
添加（tf.keras.layers.flatte（））
model.add（tf.keras.layers.Dense（100，activation='relu'））
添加（tf.keras.layers.density（33，activation='softmax'））
compile（loss='classifical\u crossentropy'，metrics=['accurity']，optimizer='adam'）
model.summary（）
'''
型号：“顺序_3”
_________________________________________________________________
层（类型）输出形状参数
=================================================================
conv2d_3（conv2d）（无、18、18、20）560
_________________________________________________________________
最大池2D池3（最大池2（无、9、9、20）0
_________________________________________________________________
展平3（展平）（无，1620）0
_________________________________________________________________
致密（致密）（无，100）162100
_________________________________________________________________
致密_5（致密）（无，33）3333
=================================================================
总参数：165993
可培训参数：165993
不可训练参数：0
___________________________
'''
hist=model.fit（序列图像，序列目标，历元=100，验证数据=（有效序列图像，有效序列目标））
'''
纪元1/100
6/6[=========================================================-0s 10ms/步-损耗：2.7642-精度：0.4355-val_损耗：3.1673-val_精度：0.1839

为什么只训练6张图片？

---

我是Ml的初学者，所以如果有人帮忙，那将是很大的帮助！

默认情况下，批大小等于32

很可能不是6张图像，而是6张图像。那么它应该拍摄32张图像，并且只拍摄6张图像为什么？6是历元数。186/32=6您在评论中的解释应该有助于“丰富的质量答案”标记。现在它是机器人的1/r.q.a。

 '''
    print(train_images.shape)
    print(type(train_images))
    print(valid_images.shape)
    print(type(valid_images))
    print(train_targets.shape)
    print(valid_targets.shape)
    print(type(train_targets))
    print(type(valid_targets))
    '''
    output is 
    
    (186, 20, 20, 3)
    <class 'numpy.ndarray'>
    (174, 20, 20, 3)
    <class 'numpy.ndarray'>
    (186, 33)
    (174, 33)
    <class 'numpy.ndarray'>
    <class 'numpy.ndarray'>
    '''
    model
    model=tf.keras.Sequential()
    model.add(tf.keras.layers.Conv2D(20,(3,3),activation='relu',input_shape=(20,20,3)))
    model.add(tf.keras.layers.MaxPooling2D(2,2))
    model.add(tf.keras.layers.Flatten())
    model.add(tf.keras.layers.Dense(100,activation='relu'))
    model.add(tf.keras.layers.Dense(33,activation='softmax'))
    model.compile(loss='categorical_crossentropy',metrics=['accuracy'],optimizer='adam')
    model.summary()
    '''
    
    Model: "sequential_3"
    _________________________________________________________________
    Layer (type)                 Output Shape              Param #   
    =================================================================
    conv2d_3 (Conv2D)            (None, 18, 18, 20)        560       
    _________________________________________________________________
    max_pooling2d_3 (MaxPooling2 (None, 9, 9, 20)          0         
    _________________________________________________________________
    flatten_3 (Flatten)          (None, 1620)              0         
    _________________________________________________________________
    dense_4 (Dense)              (None, 100)               162100    
    _________________________________________________________________
    dense_5 (Dense)              (None, 33)                3333      
    =================================================================
    Total params: 165,993
    Trainable params: 165,993
    Non-trainable params: 0
    ___________________________
    '''
    hist=model.fit(train_images,train_targets,epochs=100,validation_data=(valid_images,valid_targets))
    
    '''
    Epoch 1/100
    6/6 [==============================] - 0s 10ms/step - loss: 2.7642 - accuracy: 0.4355 - val_loss: 3.1673 - val_accuracy: 0.1839