終于構(gòu)建出了第一個(gè)神經(jīng)網(wǎng)絡(luò)，Keras真的很方便。

之前不知道Keras這么方便，在構(gòu)建神經(jīng)網(wǎng)絡(luò)的過程中繞了很多彎路，最開始學(xué)的TensorFlow，后來才知道Keras。

TensorFlow和Keras的關(guān)系，就像c語言和python的關(guān)系，所以Keras是真的好用。

搞不清楚數(shù)據(jù)的標(biāo)準(zhǔn)化和歸一化的關(guān)系，想對原始數(shù)據(jù)做歸一化，卻誤把數(shù)據(jù)做了標(biāo)準(zhǔn)化，導(dǎo)致用model.predict預(yù)測出來的值全是0.0，在網(wǎng)上搜了好久但是沒搜到答案，后來自己又把程序讀了一遍，突然靈光一現(xiàn)好像是數(shù)據(jù)歸一化出了問題，于是把數(shù)據(jù)預(yù)處理部分的標(biāo)準(zhǔn)化改成了歸一化，修改過來之后才能正常預(yù)測出來值，才得到應(yīng)有的數(shù)據(jù)趨勢。

標(biāo)準(zhǔn)化：

(x-mean(x))/std(x) 這是使用z-score方法規(guī)范化

歸一化：

(x-min(x))/(max(x)-min(x)) 這是常用的最小最大規(guī)范化方法

補(bǔ)充知識：keras加載已經(jīng)訓(xùn)練好的模型文件，進(jìn)行預(yù)測時(shí)卻發(fā)現(xiàn)預(yù)測結(jié)果幾乎為同一類（本人預(yù)測時(shí)幾乎均為為第0類）**

原因：在進(jìn)行keras訓(xùn)練時(shí)候，使用了keras內(nèi)置的數(shù)據(jù)讀取方式，但是在進(jìn)行預(yù)測時(shí)候，使用了自定義的數(shù)據(jù)讀取方式，本人為圖片讀取。

解決辦法查看如下代碼：

##############訓(xùn)練：
train_gen = ImageDataGenerator(rotation_range=10,
    width_shift_range=0.2,
    shear_range=0.2,
    zoom_range=0.2,
    fill_mode='constant',
    cval=0)
train_generator = train_gen.flow_from_directory(train_path,
      target_size=(224, 224),
      batch_size=16,
      class_mode='categorical',
      save_to_dir=train_g,
      save_prefix='man',
      save_format='jpg')

#############預(yù)測
img = cv2.imread(img_path)
img = cv2.resize(img, (row, col))
img = np.expands(img, axis=0)
out = model.predict(img)
# 上述方法是不行的，仔細(xì)查看keras內(nèi)置讀取方式，可以觀察到內(nèi)置了load_img方式
# 因此，我們在預(yù)測時(shí)候，將讀取圖片的方式改為
from keras.preprocessing.image import load_img, img_to_array
img = load_img(img_path)
img = img_to_array(img, target_size=(row, col))
img = np.expands(img, axis=0)
out = model.predict(img)

注：本文意在說明 對訓(xùn)練數(shù)據(jù)和預(yù)測數(shù)據(jù)的讀取、預(yù)處理方式上應(yīng)該在某種程度上保持一致，從而避免訓(xùn)練結(jié)果和真實(shí)預(yù)測結(jié)果相差過大的情況。

以上這篇Keras構(gòu)建神經(jīng)網(wǎng)絡(luò)踩坑(解決model.predict預(yù)測值全為0.0的問題)就是小編分享給大家的全部內(nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

最新評論