我正在尝试预测图像语料库的类别。
转帐数据的类在列表中，其中包含4个值类型：1、2、4、5
但是p_utils.to_categorical(theList)给了我6个尺寸，而不是4个
您能帮我找到原因吗？
答案 0 :(得分：2)
根据Keras文档：
to_categorical ：将类向量（整数）转换为二进制类 矩阵。
参数： y：要转换为矩阵的类向量 （整数从0到num_classes ）。
to_categorical的输入参数采用从零开始的整数列表。在您的示例中，列表为[1, 2, 4, 5]，该列表已转换为6个不同的类（0至5）：
[[0. 1. 0. 0. 0. 0.]
[0. 0. 1. 0. 0. 0.]
[0. 0. 0. 0. 1. 0.]
[0. 0. 0. 0. 0. 1.]]
如果需要相同数量的类，则需要在名为LabelEncoder的sklearn包中进行转换。它对值在0到n_classes-1之间的标签进行编码。因此，如果您将列表传递给[1, 2, 4, 5]到LabelEncoder，它将转换为：
from sklearn import preprocessing
le = preprocessing.LabelEncoder()
print(le.fit_transform([1, 2, 4, 5]))
>>> [0 1 2 3]
如您所见，标签从零开始，这是我们to_categorical方法所需要的。最后一步是将该列表传递到to_categorical方法中。
new_labels = le.fit_transform([1, 2, 4, 5])
one_hot = to_categorical(new_labels)
>>> [[1. 0. 0. 0.]
[0. 1. 0. 0.]
[0. 0. 1. 0.]
[0. 0. 0. 1.]]
注意：OneHotEncoder也存在于sklearn软件包中，但在这种情况下也需要LabelEncoder。
答案 1 :(得分：1)
感谢您的答复。
我已经尝试过此方法（在回答之前），该方法似乎可行（每个时期约为0.997，但第一个时期除外：0.85）：
encoder = LabelEncoder()
encoder.fit(Y)
encoded_Y = encoder.transform(Y)
Y = np_utils.to_categorical(encoded_Y)
但是测试语料库的准确性似乎为0：
model = load_model('model.h5')
# predict and evaluate
y_pred = model.predict_classes(X_test)
acc = np.sum(y_pred == Y_test) / np.size(y_pred)
print("Test accuracy = {}".format(acc))
您能帮我找到原因吗？
模型的val_acc很好，我不明白为什么精度测试这么差
EDIT：predict_classes返回如下类：set（[0，1，2，3，4，5，6，7，8]），但我计算出以下精度：set（[1,2,4,5 ，9，12，14，19，20]）
如何告诉keras正确编码？
编辑：问题已解决：
encoder = LabelEncoder()
encoder.fit(Y_test)
Y_test = encoder.fit_transform(Y_test) here
我得到99.0574712644％的准确度
训练10584个样本，验证2646个样本 时代1/30 10584/10584 [==============================]-315s 30ms / step-损耗：1.4155-acc：0.4357-val_loss ：0.5511-val_acc：0.7827 时代2/30 5152/10584 [============> ................]-ETA：2：16-损失：0.5317-acc：0.7999 10584/10584 [==============================]-308s 29ms / step-损耗：0.3907-acc：0.8553-val_loss ：0.1589-val_acc：0.9471 时代3/30 10584/10584 [==============================]-284s 27ms / step-损失：0.1351-acc：0.9552-val_loss ：0.0342-val_acc：0.9872 时代4/30 10584/10584 [==============================]-286s 27ms / step-损耗：0.0826-acc：0.9740-val_loss ：0.0318-val_acc：0.9902 时代5/30 10584/10584 [==============================]-284s 27ms / step-损失：0.0660-acc：0.9797-val_loss ：0.0354-val_acc：0.9875 时代6/30 10584/10584 [==============================]-284s 27ms / step-损失：0.0386-acc：0.9880-val_loss ：0.0244-val_acc：0.9913 时代7/30 10584/10584 [==============================]-284s 27ms / step-损失：0.0370-acc：0.9869-val_loss ：0.0171-val_acc：0.9943 时代8/30 10584/10584 [==============================]-283s 27ms / step-损耗：0.0300-acc：0.9906-val_loss ：0.0165-val_acc：0.9928 时代9/30 10584/10584 [==============================]-283s 27ms / step-损耗：0.0355-acc：0.9880-val_loss ：0.0196-val_acc：0.9940 时代10/30 10584/10584 [==============================]-284s 27ms / step-损失：0.0227-acc：0.9930-val_loss ：0.0162-val_acc：0.9958 时代11/30 10584/10584 [==============================]-287s 27ms / step-损耗：0.0103-acc：0.9966-val_loss ：0.0093-val_acc：0.9974 时代12/30 10584/10584 [==============================]-293s 28ms / step-损耗：0.0091-acc：0.9976-val_loss ：0.0098-val_acc：0.9962 时代13/30 10584/10584 [==============================]-284s 27ms / step-损失：0.0069-acc：0.9980-val_loss ：0.0113-val_acc：0.9962 时代14/30 10584/10584 [==============================]-283s 27ms / step-损失：0.0055-acc：0.9980-val_loss ：0.0079-val_acc：0.9974 时代15/30 10584/10584 [==============================]-307s 29ms / step-损失：0.0046-acc：0.9986-val_loss ：0.0077-val_acc：0.9974 时代16/30 10584/10584 [==============================]-311s 29ms / step-损耗：0.0042-acc：0.9987-val_loss ：0.0081-val_acc：0.9974 时代17/30 10584/10584 [==============================]-327s 31ms / step-损失：0.0034-acc：0.9992-val_loss ：0.0085-val_acc：0.9974 时代18/30 10584/10584 [==============================]-311s 29ms / step-损失：0.0046-acc：0.9982-val_loss ：0.0088-val_acc：0.9974 时代19/30 10584/10584 [==============================]-310s 29ms / step-损失：0.0036-acc：0.9992-val_loss ：0.0070-val_acc：0.9977 时代20/30 10584/10584 [==============================]-299s 28ms / step-损耗：0.0032-acc：0.9989-val_loss ：0.0082-val_acc：0.9970 时代21/30 10584/10584 [==============================]-309s 29ms / step-损耗：0.0040-acc：0.9989-val_loss ：0.0083-val_acc：0.9977 时代22/30 10584/10584 [==============================]-298s 28ms / step-损耗：0.0037-acc：0.9986-val_loss ：0.0080-val_acc：0.9974 时代23/30 10584/10584 [==============================]-295s 28ms / step-损耗：0.0041-acc：0.9987-val_loss ：0.0082-val_acc：0.9974 时代24/30 10584/10584 [==============================]-291s 28ms / step-损失：0.0026-acc：0.9993-val_loss ：0.0082-val_acc：0.9974 时代25/30 2240/10584 [=====> ........................]-预计到达时间：3:19-los 2272/10584 [=== ==> ........................]-预计：3:19-los 2304/10584 [=====> .... ....................]-ETA：3：20-损失：0.0 2400/10584 [=====> ......... ...............]-ETA：3:21 2432/10584 [=====> .................. ......]-预计到达时间：3:21-los 2464/10584 [=====> ................ 10584/10584 [===== =========================]-291s 27ms / step-损耗：0.0024-acc：0.9993-val_loss：0.0079-val_acc：0.9977 时代26/30 10584/10584 [==============================]-287s 27ms / step-损耗：0.0031-acc：0.9989-val_loss ：0.0077-val_acc：0.9977 时代27/30 10584/10584 [==============================]-284s 27ms / step-损失：0.0024-acc：0.9992-val_loss ：0.0080-val_acc：0.9974 时代28/30 10584/10584 [==============================]-283s 27ms / step-损失：0.0030-acc：0.9986-val_loss ：0.0078-val_acc：0.9977 时代29/30 10584/10584 [==============================]-284s 27ms / step-损失：0.0027-acc：0.9991-val_loss ：0.0076-val_acc：0.9977 时代30/30 10584/10584 [==============================]-282s 27ms / step-损耗：0.0033-acc：0.9988-val_loss ：0.0074-val_acc：0.9974 预测
测试精度= 0