Python Keras使用真实值作为训练目标的LSTM分类器的官方示例?
根据Keras文档中的官方示例,堆叠LSTM分类器使用Python Keras使用真实值作为训练目标的LSTM分类器的官方示例?,python,neural-network,keras,lstm,loss-function,Python,Neural Network,Keras,Lstm,Loss Function,根据Keras文档中的官方示例,堆叠LSTM分类器使用分类交叉熵作为损失函数进行训练,如预期的那样 但是y\u序列值是使用输出实数的numpy.random.random()进行种子设定的,而0,1二进制分类(这是典型的) 发动机罩下的y\u列值是否提升为0,1值 您甚至可以针对0,1之间的实际值训练此损失函数吗 那么如何计算准确度 令人困惑的。。没有 from keras.models import Sequential from keras.layers import LSTM, Dense
分类交叉熵
作为损失函数进行训练,如预期的那样
但是y\u序列
值是使用输出实数的numpy.random.random()
进行种子设定的,而0,1
二进制分类(这是典型的)
发动机罩下的y\u列
值是否提升为0,1
值
您甚至可以针对0,1
之间的实际值训练此损失函数吗
那么如何计算准确度
令人困惑的。。没有
from keras.models import Sequential
from keras.layers import LSTM, Dense
import numpy as np
data_dim = 16
timesteps = 8
num_classes = 10
# expected input data shape: (batch_size, timesteps, data_dim)
model = Sequential()
model.add(LSTM(32, return_sequences=True,
input_shape=(timesteps, data_dim))) # returns a sequence of vectors of dimension 32
model.add(LSTM(32, return_sequences=True)) # returns a sequence of vectors of dimension 32
model.add(LSTM(32)) # return a single vector of dimension 32
model.add(Dense(10, activation='softmax'))
model.compile(loss='categorical_crossentropy',
optimizer='rmsprop',
metrics=['accuracy'])
# Generate dummy training data
x_train = np.random.random((1000, timesteps, data_dim))
y_train = np.random.random((1000, num_classes))
# Generate dummy validation data
x_val = np.random.random((100, timesteps, data_dim))
y_val = np.random.random((100, num_classes))
model.fit(x_train, y_train,
batch_size=64, epochs=5,
validation_data=(x_val, y_val))
对于这个例子,y_序列和y_测试不再是一个热门编码,而是每个类的概率。所以它仍然适用于交叉熵。我们可以把一个热编码作为概率向量的特例
y_train[0]
array([0.30172708, 0.69581121, 0.23264601, 0.87881279, 0.46294832,
0.5876406 , 0.16881395, 0.38856604, 0.00193709, 0.80681196])
这里有一个简短的介绍