Как написать алгоритм классификации в тензорном потоке с использованием keras в python?
У меня есть тренировочный набор из 2 изображений, который имеет 64 функции и прикрепленную к ним метку, то есть совпало/не совпало.
Как я могу передать эти данные в нейронную сеть с помощью keras?
Мои данные следующие:
[
[
[
239,
1,
255,
255,
255,
255,
2,
0,
130,
3,
1,
101,
22,
154,
0,
240,
30,
0,
2,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
128,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
71,
150,
212
],
[
239,
1,
255,
255,
255,
255,
2,
0,
130,
3,
1,
101,
22,
154,
0,
240,
30,
0,
2,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
128,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
71,
150,
212
],
"true"
],
[
[
239,
1,
255,
255,
255,
255,
2,
0,
130,
3,
1,
81,
28,
138,
0,
241,
254,
128,
6,
0,
2,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
128,
0,
128,
2,
128,
2,
192,
6,
224,
6,
224,
62,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
13,
62
],
[
239,
1,
255,
255,
255,
255,
2,
0,
130,
3,
1,
81,
28,
138,
0,
241,
254,
128,
6,
0,
2,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
128,
0,
128,
2,
128,
2,
192,
6,
224,
6,
224,
62,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
13,
62
],
"true"
],
....
]
Я хочу обучить нейронную сеть, чтобы после обучения, если я предоставлю ей 2 массива из 64 функций, она должна была определить, совпадают ли они или нет?
проверили, но они не решили мою проблему. Можете ли вы предложить какой-либо конкретный учебник для этого?
По сути, вы не указали конкретную проблему, которую необходимо решить. Такого рода вопросы не очень хорошо принимаются в целом. Вы должны предоставить минимальный, проверяемый пример
Ответы 1
Поскольку вы уже как бы извлекли фьючерсы, я бы предложил просто использовать несколько плотных слоев и преобразовать «истину» и «ложь» в 1 и 0 соответственно и просто использовать сигмоид на последнем плотном слое.
Попробуйте сначала поэкспериментировать с чем-то простым, посмотрите, как получится, и продолжайте дальше, нужна дополнительная помощь, просто спросите
РЕДАКТИРОВАТЬ
def generator(batch_size=10, nr_features=126):
feed_data = np.zeros((batch_size, nr_features))
labels = np.zeros(batch_size)
i = 0
for entry in data:
if entry.pop(-1) == "true":
labels[i] = 1
else:
labels[i] = 0
feed_data[i, :] = np.array(entry).flatten()
i += 1
if not (i % batch_size):
i = 0
yield feed_data, labels
model = keras.Sequential()
model.add(keras.layers.Dense(126, input_dim=126))
model.add(keras.layers.Dense(20))
model.add(keras.layers.Dense(1))
model.add(keras.layers.Activation('sigmoid'))
model.compile(optimizer='adam',
loss='binary_crossentropy',
metrics=['accuracy'])
for d, l in generator():
model.train_on_batch(d, l)
Так что же происходит,
данные в генераторе — это ваши полные данные, я вытаскиваю true/false, конвертирую их в 1/0 и помещаю в массив меток, я объединяю все функции как функцию vecotr из 126. Итак, feed_data.shape = (10 , 126) и labels.shape = (10).
Я подаю это в простую полносвязную сеть, заканчивающуюся сигмоидой. Сигмоид полезен для вероятности, поэтому в этом случае выводом будет вероятность того, что функция vecotr верна. и я просто подаю данные.
Простой пример, это не полный код, но он должен помочь вам начать работу, я протестировал его, и он работает для меня, хотя я еще ничего не тренировал, это кое-что для вас, удачи!
О, и вопросы, задавайте
да одна вещь, которую я хочу спросить, у меня есть 2 изображения для сопоставления, каждое из которых имеет 64 функции. Итак, будет ли мой входной слой иметь 64 + 64 = 128 узлов?
Не совсем так, на входе будет 64 узла, и вы подадите ему пакет из 2, но подождите, у вас есть только 2 изображения? Тогда не используйте глубокое обучение, просто openCV, вы не можете ничего тренировать только с двумя изображениями, или я запутался xd
У меня есть данные в этом формате [[[изображение 1], [изображение 2], «истина»], [[изображение 1], [изображение 2], «истина»], [[изображение 1], [изображение 2] , "правда" ], [[ изображение 1 ], [ изображение 2 ], "правда" ], .... ]
Если честно, имело бы смысл разделить данные
На данный момент у меня есть 50 обучающих примеров, я планирую запустить на них несколько итераций.
Ну, метки в любом случае должны быть удалены, и вы можете объединить изображения, я помогу с некоторым кодом, чтобы накормить его, как только вернусь домой к своему ноутбуку, мобильный телефон не очень удобен для этого.
Спасибо большое, понял идею. Теперь это работает. Точность составляет 63,33%. Думаю, мне нужно больше данных.
Вам следует ознакомиться с учебным пособием по созданию классификатора с двумя выходами. Есть много онлайн.