溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
小編給大家分享一下關于keras分類模型中輸入數據與標簽維度的案例，希望大家閱讀完這篇文章后大所收獲，下面讓我們一起去探討吧！
在《python深度學習》這本書中。
一、21頁mnist十分類
導入數據集
from keras.datasets import mnist
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
初始數據維度：
>>> train_images.shape
(60000, 28, 28)
>>> len(train_labels)
60000
>>> train_labels
array([5, 0, 4, ..., 5, 6, 8], dtype=uint8)
數據預處理：
train_images = train_images.reshape((60000, 28 * 28))
train_images = train_images.astype('float32') / 255
train_labels = to_categorical(train_labels)
之后：
print(train_images, type(train_images), train_images.shape, train_images.dtype)
print(train_labels, type(train_labels), train_labels.shape, train_labels.dtype)
結果：
[[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. 0. 0.]
[0. 0. 0. ... 0. 0. 0.]] <class 'numpy.ndarray'> (60000, 784) float32
[[0. 0. 0. ... 0. 0. 0.]
[1. 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. 1. 0.]] <class 'numpy.ndarray'> (60000, 10) float32二、51頁IMDB二分類
導入數據：
from keras.datasets import imdb (train_data, train_labels), (test_data, test_labels) = imdb.load_data(num_words=10000)
參數 num_words=10000 的意思是僅保留訓練數據中前 10 000 個最常出現的單詞。
train_data和test_data都是numpy.ndarray類型，都是一維的（共25000個元素，相當于25000個list），其中每個list代表一條評論，每個list中的每個元素的值范圍在0-9999 ，代表10000個最常見單詞的每個單詞的索引，每個list長度不一，因為每條評論的長度不一，例如train_data中的list最短的為11，最長的為189。
train_labels和test_labels都是含25000個元素（元素的值要不0或者1，代表兩類）的list。
數據預處理：
# 將整數序列編碼為二進制矩陣
def vectorize_sequences(sequences, dimension=10000):
# Create an all-zero matrix of shape (len(sequences), dimension)
results = np.zeros((len(sequences), dimension))
for i, sequence in enumerate(sequences):
results[i, sequence] = 1. # set specific indices of results[i] to 1s
return results
x_train = vectorize_sequences(train_data)
x_test = vectorize_sequences(test_data)
第一種方式：shape為(25000,)
y_train = np.asarray(train_labels).astype('float32') #就用這種方式就行了
y_test = np.asarray(test_labels).astype('float32')
第二種方式：shape為(25000,1)
y_train = np.asarray(train_labels).astype('float32').reshape(25000, 1)
y_test = np.asarray(test_labels).astype('float32').reshape(25000, 1)
第三種方式：shape為(25000,2)
y_train = to_categorical(train_labels) #變成one-hot向量
y_test = to_categorical(test_labels)第三種方式，相當于把二分類看成了多分類，所以網絡的結構同時需要更改，
最后輸出的維度：1->2
最后的激活函數：sigmoid->softmax
損失函數：binary_crossentropy->categorical_crossentropy
預處理之后，train_data和test_data變成了shape為（25000,10000），dtype為float32的ndarray（one-hot向量），train_labels和test_labels變成了shape為（25000，）的一維ndarray，或者（25000,1）的二維ndarray，或者shape為（25000,2）的one-hot向量。
注：
1.sigmoid對應binary_crossentropy，softmax對應categorical_crossentropy
2.網絡的所有輸入和目標都必須是浮點數張量
補充知識：keras輸入數據的方法：model.fit和model.fit_generator
1.第一種，普通的不用數據增強的
from keras.datasets import mnist,cifar10，cifar100
(X_train, y_train), (X_valid, Y_valid) = cifar10.load_data()
model.fit(X_train, Y_train, batch_size=batch_size, nb_epoch=nb_epoch, shuffle=True,
verbose=1, validation_data=(X_valid, Y_valid), )2.第二種，帶數據增強的 ImageDataGenerator，可以旋轉角度、平移等操作。
from keras.preprocessing.image import ImageDataGenerator
(trainX, trainY), (testX, testY) = cifar100.load_data()
trainX = trainX.astype('float32')
testX = testX.astype('float32')
trainX /= 255.
testX /= 255.
Y_train = np_utils.to_categorical(trainY, nb_classes)
Y_test = np_utils.to_categorical(testY, nb_classes)
generator = ImageDataGenerator(rotation_range=15,
width_shift_range=5./32,
height_shift_range=5./32)
generator.fit(trainX, seed=0)
model.fit_generator(generator.flow(trainX, Y_train, batch_size=batch_size),
steps_per_epoch=len(trainX) // batch_size, epochs=nb_epoch,
callbacks=callbacks,
validation_data=(testX, Y_test),
validation_steps=testX.shape[0] // batch_size, verbose=1)看完了這篇文章，相信你對關于keras分類模型中輸入數據與標簽維度的案例有了一定的了解，想了解更多相關知識，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
