Question

我将对图像执行基于像素的分类。这是我用来训练NN的代码

net = input_data(shape=[None, 1,4])
net = tflearn.lstm(net, 128, return_seq=True)
net = tflearn.lstm(net, 128)
net = tflearn.fully_connected(net, 1, activation='softmax')
net = tflearn.regression(net, optimizer='adam',
                         loss='categorical_crossentropy')
model = tflearn.DNN(net, tensorboard_verbose=2, checkpoint_path='model.tfl.ckpt')
X_train = np.expand_dims(X_train, axis=1)
model.fit(X_train, y_train, n_epoch=1, validation_set=0.1, show_metric=True,snapshot_step=100)

问题是在训练模型之后，p.array（model.predict（x_test））的结果只有1，虽然我预计这是2或3.在一个例子中，我有4个类对象和我期望该命令的结果是2和5之间的标签（注意：y_train的int值介于2和5之间）但是预测函数的输出又是1.这可能是训练阶段的问题吗？ / p>

Answer 1

None参数用于表示不同的培训示例。在您的情况下，由于您使用的自定义四通道数据集，每个图像总共有28*28*4个参数。

要使此LSTM正常工作，您应该尝试执行以下操作 -

X = np.reshape(X, (-1, 28, 28, 4))
testX = np.reshape(testX, (-1, 28, 28, 4))

net = tflearn.input_data(shape=[None, 28, 28, 4])

当然，（这非常重要），请确保reshape()将四个不同的通道对应于numpy数组的最后一个维度中的单个像素，并且{ {1}}对应于单个图片中的像素。

如果您的图片没有尺寸28, 28，请相应地调整这些参数。

张量流中预测函数的输出错误

1 个答案: