Python 如何为Keras准备数据集？ 动机

通过神经网络运行一组标记向量

例子 查看Keras数据集示例mnist：

keras.datasets import mnist
(x_tr, y_tr), (x_te, y_te) = mnist.load_data()
print x_tr.shape

它似乎是一个三维numpy阵列：

(60000, 28, 28)

• 第一个尺寸用于样品
• 每个示例功能的第二个和第三个

企图 构建标记向量：

X_train = numpy.array([[1] * 128] * (10 ** 4) + [[0] * 128] * (10 ** 4))
X_test = numpy.array([[1] * 128] * (10 ** 2) + [[0] * 128] * (10 ** 2))

Y_train = numpy.array([True] * (10 ** 4) + [False] * (10 ** 4))
Y_test = numpy.array([True] * (10 ** 2) + [False] * (10 ** 2))

X_train = X_train.astype("float32")
X_test = X_test.astype("float32")

Y_train = Y_train.astype("bool")
Y_test = Y_test.astype("bool")

训练守则 结果 为什么对于如此简单的数据集我会得到如此糟糕的结果？ 我的数据集是否存在格式错误

---

谢谢

仅在一个输出节点上使用softmax没有多大意义。如果您将

model.add（激活（'softmax'））

更改为

model.add（激活（'sigmoid'））

，则您的网络性能良好

或者，您也可以使用两个输出节点，其中

1，0

表示

True

的情况，

0，1

表示

False

的情况。然后可以使用softmax层。您只需相应地更改您的

Y_训练

和

Y_测试

。

@c0d3rman“如果您将5、6、7放入softmax，您将得到它们的总和-5/18、6/18、7/18”。这是不对的。看见

model = Sequential()
model.add(Dense(128, 50))
model.add(Activation('relu'))
model.add(Dropout(0.2))
model.add(Dense(50, 50))
model.add(Activation('relu'))
model.add(Dropout(0.2))
model.add(Dense(50, 1))
model.add(Activation('softmax'))

rms = RMSprop()
model.compile(loss='binary_crossentropy', optimizer=rms)

model.fit(X_train, Y_train, batch_size=batch_size, nb_epoch=nb_epoch,
          show_accuracy=True, verbose=2, validation_data=(X_test, Y_test))

score = model.evaluate(X_test, Y_test, show_accuracy=True, verbose=0)
print('Test score:', score[0])
print('Test accuracy:', score[1])

Test score: 13.9705320154
Test accuracy: 1.0