所用思路和上一个差不多,本篇基于天池论坛的这篇文章:Keras多分类联合训练+欧式距离迁移映射 ,并做了自己的处理。线上精度0.0905。
- 没有构造如
'non_1'
的特征,直接使用如原来的全0特征表示,并对每类特征除和 - 使用的vgg16
处理后的特征文件如下:
模型的关键之处在于:
该部分主要代码如下:
def normalline(data):
for i,cs in enumerate(np.sum(data,axis=1).values):
所用思路和上一个差不多,本篇基于天池论坛的这篇文章:Keras多分类联合训练+欧式距离迁移映射 ,并做了自己的处理。线上精度0.0905。
'non_1'
的特征,直接使用如原来的全0特征表示,并对每类特征除和处理后的特征文件如下:
模型的关键之处在于:
该部分主要代码如下:
def normalline(data):
for i,cs in enumerate(np.sum(data,axis=1).values):