使用 tensorflow keras 预测 5 个不同类别的标签

编程问答 2022-05-04

问题描述

我有以下问题，我有一个包含 3dprinter 数据的数据集，并且想要使用 tensorflow nn 预测表示错误的标签。 但是，该标签从 0 到 5 - 我怎么能做到这一点？我需要五种不同的输出吗？因为据我了解分类，它只分配标签。

找不到任何关于此的确切信息，也许是因为我不知道如何搜索它 - 在整个主题中都很新。

数据要么是单热编码的，要么是浮动的，我正在尝试使用 keras 调谐器来查找网络的超参数 - 我目前是这样的：

  def build_model_hp(self,hp,model_type):
        if model_type == 'standard':
            shape = (59,)
        elif model_type == 'expert':
            shape = (73,)
        else:
            shape = (60,)

        inputs = tf.keras.Input(shape=shape)
        x = inputs
        for i in range(hp.Int('hidden_blocks',3,10,default=3)):
            x = tf.keras.layers.Dense(hp.Int('hidden_size_'+str(i),16,256,step=16,default=16),activation='relu')(x)

        x = tf.keras.layers.Dropout(hp.Float('dropout',0.5,step=0.1,default=0.5))(x)
        outputs = tf.keras.layers.Dense(1,activation='sigmoid')(x)

        model = tf.keras.Model(inputs,outputs)
        if (hp.Choice('optimizer',['adam','sgd'])) == 'adam':
            opt = tf.keras.optimizers.Adam(
                hp.Float('learning_rate',1e-4,1e-2,sampling='log'))
        else:
            opt = tf.keras.optimizers.SGD(
                hp.Float('learning_rate',1e-2),nesterov=True)
        model.compile(
            optimizer=opt,loss='binary_crossentropy',metrics=['accuracy'])
        return model

解决方法

如果您有 6 个标签为 0-5 的类，则将输出层从

outputs = tf.keras.layers.Dense(1,activation='sigmoid')(x)

输出 = tf.keras.layers.Dense(6,activation='softmax')(x)

change your model compile code from
model.compile(
            optimizer=opt,loss='binary_crossentropy',metrics=['accuracy'])

如果您的标签是单热编码，则如下所示

model.compile(
            optimizer=opt,loss='categorical_crossentropy',metrics=['accuracy'])

如果你的标签是整数，那么使用

model.compile(
            optimizer=opt,loss='sparse_categorical_crossentropy',metrics=['accuracy'])

在您训练模型后（假设您对标签进行热编码并使用 loss='categorical_crossentropy），然后对您的测试集进行预测

from sklearn.metrics import confusion_matrix,classification_report
classes=test_gen.class_indices.keys()
labels=test_gen.labels
y_pred=[]
y_true=[]
preds=model.predict(test_gen)
for i,p in enumerate(preds)
    y_pred=np.argmax(p)
    y_true=labels[i] # assumes you have a list of labels for each test file
ypred=np.array(y_pred)
ytrue=np.array(y_true)
clr = classification_report(y_true,y_pred,target_names=classes) # assumes classes is a list of your classes
print("Classification Report:\n----------------------\n",clr)

我假设您有一个测试生成器来生成批量测试数据

classificationneural-networkpythontensorflowtensorflowtensorflow