Question

我一直在尝试简单的mnist示例。很抱歉，这个问题是否很基本。

from keras.datasets import mnist
from keras.layers import Input, Conv2D, Dense
from keras.models import Sequential
from keras.utils import np_utils

def myModel():

    model= Sequential()
    layer1 = Dense(1024, input_shape=(784,), activation='relu')
    layer2 = Dense(512, activation='relu')
    layer3 = Dense(10, activation='softmax')
    model.add (layer1)
    model.add (layer2)
    model.add(layer3)
    model.compile(loss='categorical_crossentropy', optimizer='adam')
    return model


if __name__ == '__main__':
    print "Inside the main function "
    model = myModel()
    (trainX, trainY), (testX, testY) = mnist.load_data()
    print ("TrainX shape is ", trainX.shape)
    trainX = trainX.reshape(trainX.shape[0], trainX.shape[1] * trainX.shape[2])
    trainY = np_utils.to_categorical(trainY, 10)
    model.fit(trainX, trainY, batch_size=200, epochs=1)

    print ("Let's predict now..")
    print ("Shae of x and shape of 100" , trainX.shape, trainX[10].shape)
    result = model.predict(trainX[100].reshape(1,784 ))
    print result

    import matplotlib.pyplot as plt 
    plt.subplot(2,2,1)
    plt.imshow(trainX[1100].reshape(28,28))
    plt.show()

最后一层的输出值为

[[0. 0. 0. 0. 0. 1. 0. 0. 0. 0.]]

我该如何解释这个结果？这不是结果的概率分布吗？如果没有，我怎么能得到相同的？

Answer 1

理论上，对于newdf=df[~(df.B.ne(0)&df.A.isna())].copy() newdf.A=newdf.A.fillna(0) newdf Out[566]: B A 0 10 100.0 1 0 0.0 2 20 500.0 3 0 0.0这样的概率分布，即所有其他[0. 0. 0. 0. 0. 1. 0. 0. 0. 0.]的{{1}}和p[5]=1，都应该没有什么奇怪的。 ..所有条目都在p[k]=0中，它们总计为k。

在实践中，您犯了一个错误，就是不对输入数据进行规范化[0, 1]（此处Keras MNIST MLP example应该作为您的指南）；添加

1.0

在拟合模型之前，我们得到了（请注意，与您自己的试验相比，拟合期间损耗会变小）

trainX

结果好吗？

trainX = trainX.astype('float32')
trainX /= 255

似乎确实是...

Answer 2

有两个问题，一个是标题，另一个是身体。对于第一个，是的，softmax总是求和。回忆一下it is defined的方式：

exp（x）/ ∑ exp（x）

由于归一化，其总和为1。在训练开始时，输出应该是随机且大致均匀的，经过良好的训练后，您期望得到与您一样的输出；至少对于清晰的图像。对于其他图像，您可能会得到[0,0.3, 0.7, 0,…]，其中一个图像可能会看到两个（或更多）标签。

为什么softmax总是提供1.0的概率？

2 个答案: