时间:2021-05-22
终于构建出了第一个神经网络,Keras真的很方便。
之前不知道Keras这么方便,在构建神经网络的过程中绕了很多弯路,最开始学的TensorFlow,后来才知道Keras。
TensorFlow和Keras的关系,就像c语言和python的关系,所以Keras是真的好用。
搞不清楚数据的标准化和归一化的关系,想对原始数据做归一化,却误把数据做了标准化,导致用model.predict预测出来的值全是0.0,在网上搜了好久但是没搜到答案,后来自己又把程序读了一遍,突然灵光一现好像是数据归一化出了问题,于是把数据预处理部分的标准化改成了归一化,修改过来之后才能正常预测出来值,才得到应有的数据趋势。
标准化:
(x-mean(x))/std(x) 这是使用z-score方法规范化
归一化:
(x-min(x))/(max(x)-min(x)) 这是常用的最小最大规范化方法
补充知识:keras加载已经训练好的模型文件,进行预测时却发现预测结果几乎为同一类(本人预测时几乎均为为第0类)**
原因:在进行keras训练时候,使用了keras内置的数据读取方式,但是在进行预测时候,使用了自定义的数据读取方式,本人为图片读取。
解决办法查看如下代码:
##############训练:train_gen = ImageDataGenerator(rotation_range=10, width_shift_range=0.2, shear_range=0.2, zoom_range=0.2, fill_mode='constant', cval=0)train_generator = train_gen.flow_from_directory(train_path, target_size=(224, 224), batch_size=16, class_mode='categorical', save_to_dir=train_g, save_prefix='man', save_format='jpg')#############预测img = cv2.imread(img_path)img = cv2.resize(img, (row, col))img = np.expands(img, axis=0)out = model.predict(img)# 上述方法是不行的,仔细查看keras内置读取方式,可以观察到内置了load_img方式# 因此,我们在预测时候,将读取图片的方式改为from keras.preprocessing.image import load_img, img_to_arrayimg = load_img(img_path)img = img_to_array(img, target_size=(row, col))img = np.expands(img, axis=0)out = model.predict(img)注:本文意在说明 对训练数据和预测数据的读取、预处理方式上应该在某种程度上保持一致,从而避免训练结果和真实预测结果相差过大的情况。
以上这篇Keras构建神经网络踩坑(解决model.predict预测值全为0.0的问题)就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。
声明:本页内容来源网络,仅供用户参考;我单位不保证亦不表示资料全面及准确无误,也不保证亦不表示这些资料为最新信息,如因任何原因,本网内容或者用户因倚赖本网内容造成任何损失或损害,我单位将不会负任何法律责任。如涉及版权问题,请提交至online#300.cn邮箱联系删除。
在使用keras搭建神经网络时,有时需要查看一下预测值和真是值的具体数值,然后可以进行一些其他的操作。这几天查阅了很多资料。好像没办法直接access到训练时的
神经网络可以用来模拟回归问题(regression),实质上是单输入单输出神经网络模型,例如给下面一组数据,用一条线来对数据进行拟合,并可以预测新输入x的输出值
摘要:纯NumPy代码从头实现简单的神经网络。Keras、TensorFlow以及PyTorch都是高级别的深度学习框架,可用于快速构建复杂模型。前不久,我曾写
这里我们使用keras定义简单的神经网络全连接层训练MNIST数据集和cifar10数据集:keras_mnist.pyfromsklearn.preproce
一、卷积神经网络CNN简介卷积神经网络(ConvolutionalNeuralNetwork,CNN)最初是为解决图像识别等问题设计的,CNN现在的应用已经不限