Tensoflow Keras - Nan与sparse_categorical_crossentropy的损失
Tensoflow Keras是一个基于TensorFlow的高级神经网络API，用于快速构建和训练深度学习模型。它提供了易于使用且高效的工具，帮助开发者实现各种机器学习任务。
"Nan"是指"not a number"，在机器学习中表示无效或不可计算的数值。当训练模型时，如果损失函数（loss function）的值变成NaN，意味着出现了数值错误，通常是由于数值溢出或无效的计算导致的。
"sparse_categorical_crossentropy"是一个用于多类别分类问题的损失函数。与常规的分类问题不同，它适用于标签具有大量类别且分布稀疏的情况。相比于普通的分类交叉熵损失函数，它能够更有效地处理大规模类别问题，减少计算和内存消耗。
对于"Nan"的出现，可以通过以下方法进行处理：
- 检查输入数据是否存在缺失值或异常值，对其进行清洗和预处理。
- 检查模型中是否存在数值溢出或除零错误的操作，对模型进行修正和优化。
- 使用数值稳定的计算方法，例如使用softmax函数替代指数函数，或使用较小的学习率进行训练。
关于"sparse_categorical_crossentropy"损失函数的优势和应用场景：
- 优势：适用于具有大量类别和稀疏标签分布的多类别分类问题。相比于常规的分类交叉熵损失函数，它能够更有效地处理高维度、大规模类别问题，减少计算和内存消耗。
- 应用场景：适用于图像分类、自然语言处理（NLP）中的文本分类、音频分类等多类别分类问题，特别是当类别数量庞大且标签分布稀疏时。
腾讯云相关产品和产品介绍链接地址：
- TensorFlow on Cloud：腾讯云提供的基于云计算的TensorFlow服务，可用于快速搭建、训练和部署深度学习模型。详情请参考：TensorFlow on Cloud
- AI Lab：腾讯云提供的全流程AI开发平台，内置TensorFlow等多种常用框架，支持分布式训练和模型部署。详情请参考：AI Lab
- GPU云服务器：腾讯云提供的基于GPU的云服务器实例，可提供强大的计算和并行计算能力，加速深度学习任务的训练和推理。详情请参考：GPU云服务器
注意：以上所提供的产品和链接仅为示例，实际应根据具体需求和情况选择合适的腾讯云产品。
相关·内容
我正在尝试做一个图像分类器CNN使用tensoflow。我正在尝试使用ImageDataGenerator加载数据集。如下所示：
from tensorflow.keras.preprocessing.image import ImageDataGenerator
image_datagen = ImageDataGenerator(rescale=1/255)
IMAGE_DIMS = (200,200)
train_generator = image_datagen.flow_from_directory(
TRAIN_DIR,
target_size=IMAGE_DIM
浏览 0提问于2021-04-07得票数 0
我目前正在尝试TensorFlow和机器学习，作为一个挑战，我决定尝试并在Kaggle网站上编写一个机器学习软件，它可以分析脑部MRI扫描结果，并预测肿瘤是否存在。我用下面的代码这样做了，并开始训练模型。然而，在训练过程中显示的文本显示，没有一个损失值(训练或验证)具有正确的值，并且精确度平坦，或在两个数字之间波动(每次相同的数字)。
我看过其他帖子，但找不到任何能给我提示的东西。我更改了损失函数(从sparse_categorical_crossentropy改为binary_crossentropy)。但这些都不会改变这些值。
import numpy as np # linear alg
浏览 2提问于2019-07-30得票数 0
2回答
对于一些背景，我的数据集大致是75000+图像，200x200灰度，有26个类别(字母表中的字母)。我的模型是：
model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(200, 200, 1)))
model.add(MaxPooling2D((2, 2)))
model.add(Dropout(0.2))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(
浏览 28提问于2020-05-09得票数 0
1回答
我一直认为SGD是一个损失函数，然后我在笔记本上看到了这个。
model.compile(loss="sparse_categorical_crossentropy", optimizer=keras.optimizers.SGD(lr=1e-3), metrics=["accuracy"])
现在我很困惑，损失和优化器有什么区别？它们都是在输出层用来计算损失吗？或者优化器是在每个层中使用的吗？
浏览 0提问于2020-11-18得票数 1
1回答
我使用MLP进行分类。
这是我的模型
model = keras.Sequential([
keras.layers.Flatten(input_shape=(X.shape[1], X.shape[2])),
keras.layers.Dense(2048, activation='relu'),
keras.layers.Dropout(0.1),
keras.layers.Dense(512, activation='relu'),
keras.layers.Dense(128, activation='re
浏览 0提问于2020-10-29得票数 1
回答已采纳
我刚开始使用keras，我尝试为mnist数据集在keras.datasets中构建一个模型。
这是我的初始代码：
import tensorflow as tf
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data()
然后，我定义了一个模型：
model = tf.keras.Sequential()
model.add(tf.keras.layers.Flatten(input_shape=(28,28)))
model.add(tf.keras.lay
浏览 0提问于2018-12-02得票数 2
回答已采纳
这是我的代码，我不知道为什么它能给我0.3%的准确率
有人能告诉我这段代码有什么问题吗？
def train_mnist():
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape
浏览 0提问于2020-04-15得票数 0
我试图使用keras (版本2.3.1)和tensorflow (版本1.13.1)创建顺序MLP模型。
我创建了这样的模型：
model = keras.models.Sequential([
keras.layers.Flatten(input_shape=[24, 49]),
keras.layers.Dense(300, activation="relu"),
keras.layers.Dense(300, activation="relu"),
keras.layers.Dense(300, activation=
浏览 2提问于2019-12-19得票数 0
是否有一种方法可以在没有运行评估或适合的情况下，获得模型的损失，以及它当前的权重？
model = keras.Sequential([
keras.layers.Input(400),
keras.layers.Dense(25, activation=tf.nn.sigmoid, kernel_regularizer=regularizers.l2(lambd)),
keras.layers.Dense(10, activation=tf.nn.softmax)
])
model.compile(optimizer='adam',
浏览 2提问于2019-09-17得票数 3
回答已采纳
4回答
我试图微调伯特的文本分类任务，但我得到了NaN的损失，但不知道为什么.
首先，我定义了一个BERT标记器，然后对我的文本进行标记：
from transformers import DistilBertTokenizer, RobertaTokenizer
distil_bert = 'distilbert-base-uncased'
tokenizer = DistilBertTokenizer.from_pretrained(distil_bert, do_lower_case=True, add_special_tokens=True,
浏览 10提问于2020-06-17得票数 2
1回答
时间序列分类短期后损失降至NaN
、、、、
下面是我的时间序列二进制分类的模型代码：
def make_model(feature_columns):
feature_layer = tf.keras.layers.DenseFeatures(feature_columns)
feature_layer_outputs = feature_layer(feature_layer_inputs)
feature_layer_outputs = tf.expand_dims(feature_layer_outputs, 1)
conv = keras.layers.Conv1D(filters=64, kernel_siz
浏览 0提问于2021-07-22得票数 1
当键入:Ι有问题：
import tensorflow as tf
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(128, activation
浏览 2提问于2022-07-20得票数 -1
回答已采纳
2回答
我试图在Keras中实现一个自定义丢失函数。
为了启动它，我想确保以前的丢失函数可以从我的自定义函数中调用。奇怪的事情就是从这里开始的
model.compile(loss="sparse_categorical_crossentropy", optimizer="adam", metrics=['accuracy'])
按预期工作。
现在，"sparse_categorical_crossentropy“在keras.losses中的实现如下：
def sparse_categorical_crossentropy(y_true, y_
浏览 0提问于2019-07-03得票数 0
回答已采纳
我想知道如何在Keras的二进制或多类分类器中为损失函数添加自定义权重。我使用binary_crossentropy或sparse_categorical_crossentropy作为基线，我希望能够选择为每个类提供错误预测的权重。
浏览 0提问于2019-03-18得票数 2
我试图按照的例子来练习一个神经网络分类器，下面是我的代码，直到模型训练的时候为止：
import tensorflow as tf
from tensorflow import keras
import numpy as np
from matplotlib.pyplot import show
import matplotlib.pyplot as plt
from matplotlib.pyplot import figure
from matplotlib.pyplot import imshow
from matplotlib.pyplot import colorbar
from
浏览 2提问于2019-02-28得票数 0
回答已采纳
1回答
我在google和GPU中使用这个代码创建了一个多层LSTM。用于时间序列预测。
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import LSTM
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout, LSTM, LSTM, BatchNormalization
from ker
浏览 3提问于2021-03-17得票数 3
回答已采纳
2回答
我使用的是EfficientNetV2B0，一切都很完美，直到我试着适应这个模型。在train_generator上，我尝试了class_mode =‘稀疏’，以及class_mode =‘分类’，它抛出了不同类型的错误消息。我花了几天时间，但我解决不了，有人能帮忙吗？
在这里，完整的错误消息：
ValueError: in user code:
File "/Users/ba/opt/anaconda3/envs/tensorflow/lib/python3.8/site-packages/keras/engine/training.py", line 1051, in t
浏览 26提问于2022-07-13得票数 0
1回答
双向LSTM作为NaN给出了损失
、、、、
我正在使用推特的对情绪进行分类。为了实现这一点，我编写了下面的代码，但是当我训练它时，我会丢失NaN。我无法理解这是什么问题。虽然我设法找到了这个问题的解决方案，但是为什么这个问题发生在第一位，我还不明白。
代码:
import pandas as pd
import numpy as np
import re
cols = ["id","text","emotion","intensity"]
anger_df_train = pd.read_csv("D:/Dataset/twitter_emotion/train
浏览 2提问于2020-07-29得票数 2
回答已采纳
我得到了这个错误：
ValueError: Error when checking target: expected dense_1 to have shape (1,) but got array with shape (2,)
当我运行时：
num_classes = 2
model = keras.Sequential()
model.add(keras.layers.InputLayer(input_shape=[64,64,1]))
model.add(keras.layers.Conv2D(filters = 32, kernel_size=5, strides=1, paddi
浏览 0提问于2018-12-07得票数 0
我正在使用一个分类标签为1到8的数据集。当使用keras序列模型时，当我创建一个有8个神经元的输出层时，它给出了一个无效参数错误。我的理解是，它将标签识别为0到7，而不包括8。因此，当我创建一个包含9个神经元的输出层时，它似乎可以工作。我的问题是，用9个神经元代替8个神经元可以吗？
代码如下：
model = keras.models.Sequential()
model.add(keras.layers.InputLayer(input_shape=X.shape[1:] ))
model.add(keras.layers.Dense(70, activation="selu
浏览 0提问于2020-10-23得票数 0
1回答
我在Keras的自定义损失函数上遇到了问题。这些任务看起来相当简单，但由于意外的行为而无法进行。这个想法是用一些额外的东西加入tf.keras.losses.SparseCategoricalCrossentropy。首先我想确认，如果我只是在自定义损失函数中使用稀疏分类交叉，它不会改变网络训练。
默认解决方案是设置
model.compile(loss="sparse_categorical_crossentropy",...)
这是没有问题的。网络学习并显示出训练和验证准确性的改进。
但是，当我定义自定义损失时
def new_loss(y_true,y_pred):
浏览 0提问于2020-08-16得票数 1
众所周知，keras中的sparse_categorical_crossentropy可以得到每个类别之间的平均损失函数。但是如果只有一个特定的类别是我最关心的呢？例如，如果我想将基于此类别的精度(=TP/(TP+FP))定义为损失函数，我该如何编写它？谢谢!
我的代码是这样的：
from keras import backend as K
def my_loss(y_true,y_pred):
y_true = K.cast(y_true,"float32")
y_pred = K.cast(K.argmax(y_pred),"float32"
浏览 0提问于2018-04-25得票数 3
我正在尝试做一个生成性对抗网络，但我不能适应生成器模型。我使用仅具有密集层的顺序()模型，首先使用input_shape=(1，)，最后使用imgsize * imgsize1 *3输出空间。imgsize = (28，28)，因此输出空间有2352个单位。
我需要拟合“实际成本”和“前一图像”，但当我尝试拟合之前预测的输出时，出现错误。
ValueError:检查目标时出错:要求GenDense5具有形状(1，)，但得到形状为(2352，)的数组
generator = keras.Sequential([
keras.layers.Dense(1, input_shape=(1,)
浏览 11提问于2019-07-05得票数 1
回答已采纳
尝试时，我编写了以下模型并运行它。输出如下所示。为什么对NaN期望值的训练步骤被loss_0_where_nan掩盖(历史记录表明损失确实被评估为0.0)，仍然在hidden和max_min_pred的权重矩阵中引入NaN权重？首先，我认为这可能是单个参数学习与输出值的某种权重，我认为这可能是特定于Adadelta优化器的。但这也会发生在SGD上。
import keras
from keras.models import Model
from keras.optimizers import Adadelta
from keras.losses import mean_squared_erro
浏览 0提问于2018-08-31得票数 3
我正在关注奥里安·热罗恩的“机器学习”一书。下面的代码试图评估一个具有稀疏分类交叉熵损失函数的神经网络，在Fashion数据集上。为什么我的损失有这么大的价值？
import tensorflow as tf
from tensorflow import keras
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
fashion_mnist=keras.datasets.fashion_mnist
(X_train_full,y_train_full),(X_test,y_test)=fashio
浏览 0提问于2020-03-27得票数 1
回答已采纳
2回答
我正在使用这个model.While，使用这个模型验证的准确性在增加，但同时验证损失也发生在这里吗？
from keras.layers import Dense
from keras.models import Sequential
from keras.optimizers import adam
model_alpha1 = Sequential()
model_alpha1.add(Dense(64, input_dim=96, activation='relu'))
model_alpha1.add(Dense(2, activation='softmax&
浏览 2提问于2021-04-07得票数 2
回答已采纳
1回答
我找到了MNIST手写字符分类问题的一些示例代码。代码的开头如下：
import tensorflow as tf
# Load in the data
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
print("x_train.shape:", x_train.shape)
model = tf.keras.models.Sequential
浏览 9提问于2020-02-28得票数 2
回答已采纳
我有128个神经元的输入层。两层有128个神经元的隐层，每个神经元都有激活功能。现在，我很难构造输出层。可以将输入值与mnist数据集的像素值进行比较。每个输入(128个数值)的输出范围为-128到127。此范围内的每个值(-128至127)表示一个输出类。我用激活函数乙状结肠收缩了256的输出层。
我的代码是
model_1 = keras.Sequential([
keras.layers.Dense(128, input_shape=(128,), activation='relu'),
keras.layers.Dropout(.5),
kera
浏览 7提问于2021-12-20得票数 0
3回答
精度度量目的
、、
我正在使用Keras来构建一个CNN，并且我对精确性度量的精确性产生了误解。
我已经做了一些研究，似乎它返回了模型的准确性。这些信息到底存储在哪里？这个度量会影响时代的结果吗？
我找不到任何资源能真正深入地描述精度度量的作用。使用这个度量对我的结果有什么影响？
model.compile(
loss="sparse_categorical_crossentropy",
optimizer='adam',
metrics=['accuracy']
浏览 1提问于2019-04-12得票数 0
回答已采纳
%matplotlib inline
import tensoflow as tf
import matplotlib.pyplot as plt
from rnn.lstm_recurrent_model import LSTMRecurrentModel
from rnn.lstm_solver import LSTMSolver
from rnn.data_util import load_word_based_text_input
，但我遇到了类似于下面的错误
ModuleNotFoundError跟踪(最近一次调用)在1 get_ipython().run_line_magic(
浏览 5提问于2020-05-23得票数 0
回答已采纳
我试图实现一个损失函数，其中的变量在卷积层的计算是必需的。官方文件给出的一种方法涉及损失函数中的变量：
如果您的损失不是这种情况(例如，如果您的损失引用了一个模型层的变量)，您可以将您的损失封装在一个零参数lambda中。这些损失不会作为模型拓扑的一部分进行跟踪，因为它们不能序列化。
inputs = tf.keras.Input(shape=(10,))
x = tf.keras.layers.Dense(10)(inputs)
outputs = tf.keras.layers.Dense(1)(x)
model = tf.keras.Model(inputs, outputs)
# W
浏览 6提问于2020-06-19得票数 2
回答已采纳
我想使用Unet模型对CMR图像的数据集进行语义分割。该模型对其他CMR图像非常有效，但当将其应用于新数据集时，它的行为却很奇怪。我使用分类交叉熵作为损失函数，将蒙版分割为包括背景在内的4类。这是我正在使用的Unet模型(我是从一个github页面获得的，现在我不记得地址了)： def down_block(x, filters, kernel_size=(3, 3), padding="same", strides=1):
c = keras.layers.Conv2D(filters, kernel_size, padding=padding, strides=s
浏览 38提问于2020-07-11得票数 0
我有一个包含二进制类的数据样本(真或假)。神经网络给出了每个类的权重，最大值将决定属性类。但是，为什么即使输出层没有适当数目的神经元，keras也能工作呢？(在我的例子中，=类数=2，0或1)。
import keras
from model import *
X_train, X_test, y_train, y_test = train_test_split(df_features, df_labels, test_size=0.25, random_state=10)
model = keras.Sequential([
keras.layers.Flatten(input_
浏览 0提问于2020-10-14得票数 1
回答已采纳
我是一个深层次的学习爱好者，我想完善keras.application的深层模型来训练一种新的模式，但有些地方不对劲。守则是：
import keras.applications.resnet_v2
from keras.applications.resnet_v2 import ResNet50V2
from keras.applications.resnet_v2 import preprocess_input, decode_predictions
import numpy as np
import keras
import tensorflow as tf
from keras.lay
浏览 10提问于2022-08-03得票数 1
回答已采纳
我正在为另一个数据集应用来自的时间序列建模。对于链接中给定的数据集，计算出的所有损失(即损失、平均绝对误差、验证损失、验证的平均绝对误差；后两个损失不是所有历元模型的损失)都是非零的，而当我更改数据集时，所有损失值都是nan。与这里使用的数据集相比，我使用的数据集有大约一半的读数。我的数据集有从多个位置(40多个位置)同时记录的15分钟间隔的读数。
所有过程的培训功能定义为
MAX_EPOCHS = 20
def compile_and_fit(model, window, patience=2):
early_stopping = tf.keras.callbacks.EarlySto
浏览 9提问于2022-11-01得票数 0
回答已采纳
我有一个模型，一开始精度很低，但在每个时期之后，它都会有所改善。在45个时期后，我得到了大约0.9的准确率，这需要相当长的时间。 我的数据集是来自不同种类的花的3430张图像(48x48像素)(总共5种类型，每种类型大约650张照片)，我的模型看起来像这样： model = keras.Sequential([
keras.layers.Flatten(input_shape=(48, 48, 3)),
keras.layers.Dense(512, activation='relu'),
keras.layers.Dense(5, activation='softm
浏览 18提问于2020-03-26得票数 1
我一直在从事一个NLP项目的情感分析。我有电影评论数据集。我能够对数据进行预处理、矢量化并成功地填充数据，但是当我用数据集训练我的模型时，我的损失和验证损失保持在0。我确信我做错了什么，下面是代码的一些部分：
VOCAB_SIZE = 20000
EMBEDDING_DIM = 16
MAXLEN = 250
model = tf.keras.Sequential([
tf.keras.layers.Embedding(VOCAB_SIZE, EMBEDDING_DIM, input_length=MAXLEN),
tf.keras.layers.GlobalAveragePooling1D(
浏览 0提问于2021-01-11得票数 0
回答已采纳
1回答
我正在遵循数据科学教科书中的一个示例，并遇到了一个问题，在运行简单的Keras神经网络以找到最佳学习率时，我正在获取损失的NaN值。 # Get data and split into test/train/valid and normalize
(X_train_full, y_train_full), (X_test, y_test) = keras.datasets.mnist.load_data()
X_valid, X_train = X_train_full[:5000] / 255., X_train_full[5000:] / 255.
y_valid, y_train =
浏览 13提问于2020-11-06得票数 0
1回答
好的，我在使用tensorflow后端修改keras损失时遇到了一点问题。
如果我使用keras.losses.sparse_categorical_crossentropy作为损失，它将像普通的sparse_categorical_crossentropy一样工作。
但是，如果我准确地复制源，并将复制函数移交给loss，则会发生以下错误。
---------------------------------------------------------------------------
ValueError Traceback
浏览 9提问于2019-08-02得票数 0
我在为keras (tensorflow后端)正确格式化我的标签时遇到了一些困难。我的模型接受一个嵌入( 128个数字的列表)作为输入，并输出18827个不同的数字(范围从1到20284)中的一个，如下所示：
[0.0344733819366,...,0.153029859066] -> 11516
我的训练数据由316491个嵌入数字对组成，所以当我尝试使用keras.utils.to_categorical(training_out, num_classes=20284)将数字标签转换为categorical_crossentropy的one-hot向量时，我收到了一个MemoryE
浏览 0提问于2018-01-13得票数 0
1回答
我们正在研究我们的Tensorflow AI Sequential model，它有大量的输入数据，并在预测中提供“真”或“假”的概率。
我们想知道哪个预测与'true‘对应，哪个对应于'false'
我们的模型：
model = tf.keras.Sequential([
layers..
tf.keras.layers.GlobalAveragePooling1D(),
tf.keras.layers.Dense(2, activation='softmax')
浏览 2提问于2020-08-23得票数 0
回答已采纳
我有model.h5中存储的模型权重和model.json中存储的模型体系结构，我的目标是将构成Keras模型的这两个文件隐藏到tensorflow Lite模型中，我尝试过几种方法，但似乎不起作用。
当我在以下代码中使用Tensoflow 1.15.0时，我得到了"NameError: name‘lite“，当我降级到Tensoflow 1.15.0时，我得到了"AttributeError: type对象'TFLiteConverter’没有属性'from_keras_model'”
有人能事先帮忙谢谢吗？
#from tensorflow.cont
浏览 3提问于2019-12-16得票数 0
回答已采纳
我有这样一个训练数据集(主列表中的项目数为211，每个数组中的数目为185)：
[np.array([2, 3, 4, ... 5, 4, 6]) ... np.array([3, 4, 5, ... 3, 4, 5])]
我用这个代码来训练模型：
def create_model():
model = keras.Sequential([
keras.layers.Flatten(input_shape=(211, 185), name="Input"),
keras.layers.Dense(211, activation='relu',
浏览 2提问于2021-01-13得票数 2
回答已采纳
2回答
我正在为初学者学习Keras mnist的例子。我试图改变标签，以适应我自己的数据，其中有三个不同的文本分类。我正在使用"to_categorical“来实现这一点。在我看来，这个形状是对的，但是“适合”会出现一个错误：
train_labels = keras.utils.to_categorical(train_labels, num_classes=3)
print(train_images.shape)
print(train_labels.shape)
model = keras.Sequential([
keras.layers.Flatten(input_sh
浏览 1提问于2019-02-04得票数 1
回答已采纳
我有一个简单的Keras序列模型。我有N个类别，我必须预测在哪个类别中下一个点将落在前一个类别的基础上。
奇怪的是，当我从输出层中删除Softmax激活函数时，性能会更好(较低的损耗和最高的sparse_categorical_accuracy)。作为损失，我正在使用sparse_categorical_crossentropy和logits=True。
有什么理由吗？不应该是相反的吗？
谢谢您的任何建议！
def build_model(vocab_size, embedding_dim, rnn_units, batch_size):
model = tf.keras.Sequenti
浏览 1提问于2020-09-02得票数 0
回答已采纳
3回答
我有以下数据形状
X_Train.shape,Y_Train.shape
Out[52]: ((983, 19900), (983,))
X_Test.shape,Y_Test.shape
Out[53]: ((52, 19900), (52,))
我正在运行一个简单的二进制分类器，因为Y_train和Y_test可以是1或2。
import keras
import tensorflow as tf
from keras import layers
from keras.layers import Input, Dense
from keras.models import Model,
浏览 2提问于2019-05-20得票数 12
import tensorflow as tf
from tensorflow import keras
import numpy as np
import matplotlib.pyplot as plt
data = keras.datasets.boston_housing
(x_train , y_train) , (x_test , y_test) = data.load_data()
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28 , 28 )),
keras.layer
浏览 1提问于2020-08-04得票数 0
我正在使用Keras自动识别我的CNN的最佳参数。我正在使用Celeb_a数据集。
您可以找到我使用的代码，当我试图运行它时，我会看到下面的错误。
sparse_categorical_crossentropy/SparseSoftmaxCrossEntropyWithLogits/SparseSoftmaxCrossEntropyWithLogits :日志和标签必须具有相同的一维，得到逻辑形状为1,10和标签形状为40节点的InvalidArgumentError(定义在C:\Users\admin-sepr\anaconda3\envs\tf\lib\site-packages\ker
浏览 0提问于2021-04-12得票数 0
回答已采纳
我正在尝试基于自创建的数据集训练我的第一个Tensorflow模型。这个模型是为了在照片中识别一个人的性别，我准备了9231张带有性别标签的照片。(我使用二进制性别来实现这一点，enby和genderfluid图片很难获得。)
首先，图片被加载到形状为(9231, 216, 172, 3)的numpy数组features中，性别标签被加载到形状为(9231, 2)的labels中。
# Divide into multiple datasets
training_size = int(len(features) * .8)
validation_size = int(len(features)
浏览 0提问于2021-09-21得票数 1
2回答
我正在使用TensorFlow进行多类分类。目标有4 values0，1，13，14，这就是为什么我在最后一层密集层中取了4。我在我的损失函数中使用sparse_categorical_crossentropy。我的代码如下：
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelEncoder
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import D
浏览 2提问于2021-07-29得票数 0
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频活动推荐
腾讯云开发者
