我有一个二进制分类问题,我有一个包文件(图像文件),我需要分类-袋子,即,不是个别的文件。但是,一个书包可以有不同数量的文件,而文件的组合将决定文件的分类。例如。
Bag1: A, B, C label = Pass
Bag2: D, E Fail
Bag3: F Pass
在Bag1中,A、B或C单独存在可能不足以通过,但它们一起通过。在Bag3中,F本身可能就足够通过。
我已经做了OCR,以表示所有的文字在袋的水平。对于这些图像,我所能想到的就是将包中每一幅图像的像素值平均起来,将其表示为一幅图像,然后用CNN进行训
问题:
所以当我尝试训练我的cnn时,我遇到了这个错误。
ValueError: Error when checking target: expected dense_4 to have shape (32,) but got array with shape (1,)
我不知道这是什么意思。顺便说一句,这个代码不是100%我的,我只是拿了一个CNN代码,并修改它,使其适用于我的需要。虽然我对CNN编码的知识非常有限,而且我也没有对Python编程进行适当的培训。
有人能给我解释一下这个错误是怎么回事吗?我想知道是什么原因造成的。你们能告诉我到目前为止我在代码上做的是不是正确的?
我计划创建一
我目前正在尝试训练CNN将由点组成的图像分类到一个类,其中类是一个取决于点的数量和大小的值。在高数字类中应该有更多的点,在低数字类中应该有更少的点。 我想知道是否有CNN的替代方案来完成这项任务。我刚开始设计CNN,因为它是一个图像问题,但后来我意识到,与图像中其他对象分类问题的不同之处在于,这些图像并不真正具有与对象图像相同的属性,例如边缘。 主要目标是当输入是这种类型的图像时,从网络中获取一个数字,除了它必须是机器学习解决方案之外,我不喜欢如何做。 这就是图像的样子。我有可能使用两种不同的类型,其中一种是原始的,另一种是二进制灰度黑白。 Binary black and white im
我建立了一个用于多标签分类的CNN,即预测每个图像的多个标签。
我注意到,ImageNet和许多其他数据集实际上每个标签都包含一组示例。他们构造数据的方式是这样的,给定一个标签,就会有一个该标签的示例列表。即: label -> list of images。此外,我正在使用的Keras支持每个标签一个文件夹的数据结构,并且在每个文件夹中都有一个图像列表作为标签的示例。
我担心的问题是,许多图像实际上可能有多个标签。例如,如果我对一般对象进行分类,一个名为“cars”的文件夹将包含汽车的图像,但一些汽车图像中也会包含人(这可能会阻碍“people”类的结果)。
我的第一个问题: 1)这是