Question

我确实需要对某些部分做进一步的解释。

第一个问题是，我的意思是说第一个Pickle X包含我的图像数据，而Pickle y包含我的数据的类名吗？

X中的引用如何与Y中的引用联系起来？

我的主要问题是文章说：

在第37行中，将Dense（）的参数修改为类的数量你有。这是神经网络可能输出的数量。

如果我有3个班级，是否应该将每个Dense()更改为Dense(3)？

这是否意味着更改以下所有引用：

model.add(Dense(x))

model.add(Dense(x))在此代码中的3个地方编写。我要更改此条目的最后一项吗？每个人做什么？

结论是，对于3个类，以下代码是否适用于最后一层？

# The output layer with 3 neurons, for 3 classes
model.add(Dense(3))
model.add(Activation("softmax"))

Answer 1

摘要

在您的情况下，应仅将密集输出层中的节点数设置为3，因为您有3个类。
对于多类分类（具有互斥类），您通常需要：

将输出层的激活功能设置为softmax
将损失函数更改为'categorical_crossentropy'或'sparse_categorical_crossentropy'（使用Keras时）

注意：
两种损失之间的差是输出。分类交叉熵为每个样本返回一个向量，该向量的大小与您的类数相同，其中第k个值表示样本属于k类的概率
另一方面，稀疏损失将直接返回预测类，作为每个样本的整数标签。

例如：

[[0.5, 0.3, 0.2], [0.2, 0.5, 0.3]] # Categorical
[0, 1]  # Sparsed