28.多输出模型

最新推荐文章于 2024-05-17 14:39:55 发布
最新推荐文章于 2024-05-17 14:39:55 发布
阅读量1.2k 收藏 6
点赞数 1
分类专栏： tensorflow笔记 文章标签： tensorflow
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/potato123232/article/details/121038514
版权

之前我们所有项目的输出都是单输出，比如我们的猫狗分类，输出的仅仅为图像中的动物是猫还是狗，我们下面来搞多输出模型，举个例子，多输出的意思是在模型判定图像是猫还是狗的同时，它也会输出比如动物的毛色等其他相关信息

我们先看一下我们的数据集，数据集名称为muti_outputs_dataset

文件夹分别有七种物品，分别是 黑牛仔裤，黑鞋子，蓝裙子，蓝牛仔裤，蓝衬衫，红裙子，红短袖，数据集中共有2525张图片

在这次的训练中，我们不仅要识别出物体的种类，也要识别出物体的颜色

目录

1  导入库

2  处理路径

2.1  获取所有图片路径

2.2  获取标签种类

2.3  获取所有图片的对应标签

3  定义加载图片函数

4  创建数据集

4.1  创建图片数据集

4.2  创建标签数据集

4.3  将图片与标签结合起来

5  处理数据集

6  创建模型

7  编译模型

8  训练模型

9  预测模型

1  导入库

2  处理路径


2.1  获取所有图片路径

首先我们获取全部图片的路径

之后我们获取照片的数量

再之后我们要对图像路径做乱序，我们这里是一定要做乱序的，因为我们后面会用到take与skip提取数据集，不做乱序就会导致测试集都是红鞋子而训练集都是黑鞋子这种情况(它看都没看过红色，然后拿出红色让它分辨是什么颜色，这样它预测的结果就非常不准)，当然如果在take与skip前就做数据集的shuffle，在这里就没有必要乱序了

random.shuffle()的返回值是None，所以我们没有必要赋值

2.2  获取标签种类

之后我们获取所有标签

我们显示出来看一下

我们要同时预测颜色和种类，所以我们要分开label_names

添加进列表之后，将列表转换为set格式

我们显示出来看一下

发现有三种颜色，四种物品，下面我们将颜色与物品进行编号

我们这个编码每一次运行出来的结果有可能会不一样(上面使用set的原因)，我们要记录当前的值，以便我们预测时好预测


2.3  获取所有图片的对应标签

之后再把颜色标签与物品类型标签提取出来，并转换为编号

3  定义加载图片函数

我们这里的尺寸不再使用之前的256，因为我们后面要使用到mobilenet预训练模型，mobilenet的标准输出为224*224，我们按照它原来的来会更好一点

4  创建数据集


4.1  创建图片数据集

先创建路径数据集，然后创建图片数据集

4.2  创建标签数据集

我们的标签数据集包含颜色和类型两个部分，也就是说一个图片对应两个标签

4.3  将图片与标签结合起来

我们将这个数据集显示出来看一下

5  处理数据集

首先我们定义训练集与测试集，我们定义前20%为测试集，后80%为训练集

这里我们定义循环与乱序和批次，之后定义预读取

  • 我们后面使用model.fit进行训练，在这里repeat()实际上没有必要

之后给测试集加上batch

6  创建模型

我们的模型结构是这样的

首先我们创建预训练网络 mobilenet,mobilenet是非常小的网络，所以非常适合部署在移动端

这里我们不使用其权重，只使用其网络结构

多分类问题中我们使用函数式API构建网络，函数式API之前在这篇文章中有提到 11.tf.keras函数式API_potato123232的博客-CSDN博客

我们这样进行搭建

上面的name我们后面编译的时候会用到

用这种方式我们可以使用get_shape()查看每一层的数据形状，比如我们现在看mobilenet的结果

我们看一下整体网络的情况

  • 由于修改name的原因最后两层的名字不为dense_2和dense_3

7  编译模型

由于我们在这里两个输出都是多分类问题，我们可以使用同样的损失函数，所以我们可以这样写

如果我们的项目需要使用不同的损失函数，这个时候我们就用到了之前设置的name

8  训练模型

由于给了name所以训练时的指标变多了

我们看一下曲线

  • color_acc

  • clothes_acc

  • color_loss

  • clothes_loss

  • 总loss

通过上面这四个曲线我们可以看到此时模型存在严重的过拟合现象，那么模型的结构是公认正确的，我们需要通过调小学习率与增大数据量以达到消除过拟合的情况，我在这里就不再训练了

之后我们保存模型

9  预测模型

首先导入库

我们在这里把打印出来的结果复制一下，之后进行键与值的换位

我们显示出来看一下

之后读取模型

再之后定义加载图像函数

之后我们定义预测函数

result是是一个列表，里面有两个array，分别是颜色和种类的预测结果，我们一会儿看一下就知道了，之前提到过将图像直接传入model中，就是model(img)，这个和model.predict(img)的返回类型不同，但是返回结果的值是相同的

再之后我们找两张图，我们现在这个模型预测非数据集内的图片是没有意义的(val_acc太低，我们无法验证预测的过程是否正确)，所以我们用训练数据来预测一下

Suyuoa
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
深度学习 - 多输出模型实例
壮壮不太胖的学习笔记
09-15 2820
这里写自定义目录标题数据处理构建模型使用多输出模型进行预测 数据处理 目标：识别图片（分别以颜色和服饰分类） 根据路径提取数据，并进行解码等操作 import tensorflow as tf from tensorflow import keras # 解码图片数据 def load_and_preprocess_image(path): image = tf.io.read_file(path) image = tf.image.decode_jpeg(image, channels
灯光控制沙盘模型控制器串口控制40路继电器输出JMDM-COM40MR.rar
09-22
灯光控制沙盘模型控制器串口控制40路继电器输出JMDM-COM40MRrar,灯光控制器 沙盘模型控制器 工业级串口控制器 40路继电器（晶体管）输出 串口控制40路继电器灯光控制/沙盘模型控制本产品研发制造商：深圳市精敏数字机器有限公司一、产品简介JMDM-COM40MR串口控制继电器（晶体管）板是深圳市精敏数字机器有限公司自主研发的一款高可靠、多功能、通用型工业级控制器，可用于串口控制多路继电器（晶体管）的输出。可以2种模式工作：实时模式：通过电脑串口发送控制命令(可以是ASCII码或字符串)给控制器，在电脑上位机界面上实时控制继电器的输出；程序模式：通过电脑串口下载控制程序到控制器，控制器保存程序，并根据程序和时间等逻辑独立控制继电器输出。1、工业级别40路继电器输出控制器，可实现串口控制40路灯光的控制；2、可独立控制或通过电脑上位机界面串口控制；3、支持多台级联近距离控制；4、支持多台RS485组网远程控制；5、支持通过电脑上位机界面实时监控40路以上多台组网控制的多路输出；6、使用PC串口控制，轻松实现多路灯光、电源、音频或视频开关、门禁开关等数字量信号的实时状态监测和控制！是灯光、沙盘模型控制的最佳方案！二、性能参数1)工作电源：JMDM-COM40MR：交流9/18V或直流12/24V；JMDM-COM40MT：交流9/18V或直流12/24V；3)主控芯片：8位高性能单片机加高速高稳定FPGA可编程阵列电路；4)程序及数据存储器：32K程序存储器,用于存放数据，30K数据存储器也可以用来保存数据，断电数据不丢失；6)输出：JMDM-COM40MR：40路光电隔离继电器输出，输出电压为0～220V，最大输出电流为5A， 输出口状态可回读；JMDM- COM40MT：40路光电隔离晶体管输出，集电极开路输出形式，输出电压为24/12V，最大输出电流为4A，输出口状态可回读 7）系统稳定性：采用光电隔离和启用内部看门狗及严格的高频滤除特性，使系统工作稳定可靠，死机自启动时间在1ms之内；三、功能描述1、JMDM-RS232串口控制器用于继电器（或晶体管）的开启和关闭。2、上位机（PC机或主PLC）通过串口连接到本控制器后，向控制器发送一串ASCII代码指令即可控制某个（或全部）继电器打开或关闭，完全不必要考虑继电器的硬件电路上选择、驱动等问题。比如，串口输入O(002, 1)则第2号继电器通电吸合；串口输入“O(012, 0)”，则第12号继电器失电断开。3、串口控制器和控制主机之间距离可以通过485总线延长，最长组网可以达到一千米；4、单个串口控制器可以独立控制40路继电器(或晶体管)的开启和关闭。通过地址编码，在延时1秒许可的情况下，一个串口最多可以寻址、控制100块串口控制器，构成一个由4000个输出点的大系统。6、可提供串口通信协议以及VB通信源程序，赠送VB通过RS232串口操作控制器的演示程序或代为开发专用程序。7、控制器有四个拨动开关，可以设定从（0-16）号控制器的地址,也可用软件编程设定控制器地址和拨动开关的用途。8、控制器带有系统时钟，可以用定时控制继电器的通断。9、本继电器控制器配有工控级别外壳，美观大方，方便安装。电脑RS232串口控制或独立控制继电器输出控制板器，可控制8~40路继电器：JMDM-20DIOV2MR数字量12入8路继电器出；JMDM-28DIOMR数字量16入12路继电器出；JMDM-40DIOMR数字量20入20路继电器出；JMDM-COM40MR数字量0入40路继电器出；更多产品详细资料，欢迎垂询：电话：0755- 29769287；13427969290 陶小姐；传真：0755-29958512 E-mail:[email protected]；QQ: 374157195; MSN:[email protected]； 阿里旺旺：jingminsz阿里巴巴网上店：http://china.alibaba.com/company/detail/jingminsz.html公司网址：www.jingmindm.com 中华工控网店铺：http://www.gkong.com/comm/userdetail.asp?id=66456
力士乐rc28-14资料
07-19
力士乐rc28-14资料
非常简易的keras函数式（Functional）模型学习以LSTM为例构建多输入和多输出模型的完整实例
01-12
非常简易的keras函数式（Functional）模型学习以LSTM为例构建多输入和多输出模型的完整实例，可以让新手完美掌握整个模型构建的流程
主成分分析的matlab代码实现-DIPCA_classicalOE:此存储库包含用于经典输出误差模型的模型估计的代码
06-13
主成分分析的matlab代码实现DIPCA_classicalOE 该存储库包含用于经典输出误差模型的模型估计的代码。 我们在此处提供文档，但请参阅 demo.m 文件以了解此功能的用法。 我们还提供了一个 readme.txt 文件来了解这个函数的用法和工作。 您可以键入以下命令以获取 Matlab 中的文档： doc dipca_oe_ref 帮助 dipca_oe_ref 该算法仅用输入输出数据估计差分方程的所有参数以及延迟、输入输出顺序，不需要用户提供任何猜测。 如果您正在使用此代码，请引用以下论文，如果您有任何疑问，请随时联系第一作者。 使用广义谱分解识别输出误差 (OE) 模型。 作者：Deepak Maurya、Arun K. Tangirala、Shankar Narasimhan，2019 年第五届印度控制会议 (ICC)，2019 年 1 月 9 日（第 28-33 页）。 IEEE。 （获得最佳学生论文奖） 纸： 海报： 幻灯片： 还有其他几项工作扩展了 DIPCA 算法在具有 OE 和 ARX 模型、MISO 系统的经典系统（非 EIV）中的使用： ARX Mo
Linux多线程服务端编程：使用muduo C++网络库
08-17
《Linux多线程服务端编程：使用muduo C++网络库》主要讲述采用现代C++在x86-64 Linux上编写多线程TCP网络服务程序的主流常规技术，重点讲解一种适应性较强的多线程服务器的编程模型，即one loop per thread。 目 录 第1部分C++ 多线程系统编程 第1章线程安全的对象生命期管理3 1.1当析构函数遇到多线程. . . . . . . . . . . . . . . . .. . . . . . . . . . . 3 1.1.1线程安全的定义. . . . . . . . . . . . . . . . .. . . . . . . . . . . 4 1.1.2MutexLock 与MutexLockGuard. . . . . . . . . . . . . . . . . . . . 4 1.1.3一个线程安全的Counter 示例.. . . . . . . . . . . . . . . . . . . 4 1.2对象的创建很简单. . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . 5 1.3销毁太难. . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . 7 1.3.1mutex 不是办法. . . . . . . . . . . . . . . . . . . .. . . . . . . . 7 1.3.2作为数据成员的mutex 不能保护析构.. . . . . . . . . . . . . . 8 1.4线程安全的Observer 有多难.. . . . . . . . . . . . . . . . . . . . . . . . 8 1.5原始指针有何不妥. . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . 11 1.6神器shared_ptr/weak_ptr . . . . . . . . . .. . . . . . . . . . . . . . . . 13 1.7插曲：系统地避免各种指针错误. . . . . . . . . . . . . . . . .. . . . . . 14 1.8应用到Observer 上.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.9再论shared_ptr 的线程安全.. . . . . . . . . . . . . . . . . . . . . . . . 17 1.10shared_ptr 技术与陷阱. . . .. . . . . . . . . . . . . . . . . . . . . . . . 19 1.11对象池. . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . 21 1.11.1enable_shared_from_this . . . . . . . . . . . . . . . . . . . . . . 23 1.11.2弱回调. . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . 24 1.12替代方案. . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . 26 1.13心得与小结. . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . 26 1.14Observer 之谬. . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 第2章线程同步精要 2.1互斥器（mutex）. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 2.1.1只使用非递归的mutex . . . . . . . . . . . . . .. . . . . . . . . . 33 2.1.2死锁. . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . 35 2.2条件变量（condition variable）. . . . . . . . . .
keras分类模型中的输入数据与标签的维度实例
12-17
在《python深度学习》这本书中。 一、21页mnist十分类 导入数据集 from keras.datasets import mnist (train_images, train_labels), (test_images, test_labels) = mnist.load_data() 初始数据维度： >>> train_images.shape (60000, 28, 28) >>> len(train_labels) 60000 >>> train_labels array([5, 0, 4, ..., 5, 6, 8], dtype=uint8) 数据预处理： train_i
深度学习 - 12.TF x Keras 多输出模型
BITDDD小栈
05-07 3205
一.引言 上一篇文章介绍了TensorFlow-Keras 多输入模型，利用相同的方法，还可以使用函数式 API 构建具有多个输出即多头的模型，一个简单的例子就是利用同一个数据，一次性预测某个体多个属性，例如输入某个用户的评论信息，预测该用户的社会属性 比如年龄，收入，性别等等。 二.多输出模型 1.模型结构 通过解析用户的评论信息，通过 Embedding 层进行文本向量化，随后利用 LSTM 进行处理，分别接入 Dense 层预测年龄，性别，收入，另外使用 GRU 预测用户的兴趣偏好，..
多元输出回归模型
热门推荐
AIHUBEI的博客
07-23 1万+
多元输出回归模型 定义 多元输出回归是指在给出输入示例的情况下涉及预测两个或多个目标变量的回归问题。 回归是指涉及预测数值的预测建模问题。 例如，预测大小，重量，数量，销售数量和点击次数是回归问题。通常，在给定输入变量的情况下预测单个数值。 一些回归问题需要预测两个或多个数值。例如，预测x和y坐标。 示例 示例1：在给定输入的情况下预测坐标，例如预测x值和y值。 示例2：多步时间序列预测，其中涉及预测给定变量的多个未来时间序列。 说明 许多机器学习算法都是为预测单个数值而设计的，简称为回归。一些算法确实支持
29.多输出模型的自定义训练
potato123232的博客
11-01 303
我们对上一章的代码进行更改，我们简单看一下之前的代码，首先整理路径 之后创建数据集 与之前略有区别，train数据集不要加repeat()，否则会一直循环下去，以至于不能完成一个epoch 再之后创建网络 下面是自定义训练中与前面代码不同的地方 目录 1定义优化器 2定义损失函数 3定义指标 4定义训练步骤 5定义测试步骤 6定义指标列表 7定义训练过程 8预测模型 1定义优化器 之后我们定义优化器，这次我们减小一点学习速率 ...
Tensorflow BP神经网络多输出模型在生产管理中应用实践
肖永威的专栏
09-23 3644
本文以某企业组织建设为研究对象，采用大数据神经网络算法中的BP算法， 基于该算法建立了企业组织建设评价模型，最后基于Tensorflow的神经网络开发包实现模型并训练。根据评价结果可评价企业组织建设状况，从而采取相应的预防措施，对今后企业管理有着积极的作用。 .
基于python的心电图信号设计模型结构完成5分类任务（源码+模型+项目说明）.zip
04-10
【资源说明】 ...<img src="./README.assets/Screenshot 2023-05-29 at 20.11.28.png" alt="Screenshot 2023-05-29 at 20.11.28" style="zoom:40%;" /> <img src="./README.assets/Screenshot 2023-05-2
如何使用Pytorch实现two-head（多输出）模型
dong_liuqi的博客
03-13 1万+
如何使用Pytorch实现two-head（多输出）模型 1. two-head模型定义 先放一张我要实现的模型结构图： 如上图，就是一个two-head模型，也是一个但输入多输出模型。该模型的特点是输入一个x和一个t，h0和h1中只有一个会输出，所以可能这不算是一个典型的多输出模型。 2.实现所遇到的困难 一开始的想法：这不是很简单嘛，做一个判断不就完了，t=0时模型为前半段加h0，t=1时模...
Python深度学习11——Keras实现共享层模型（多输入多输出）
weixin_46277779的博客
07-10 9295
Functional API，共享层模型，多输入多输出，神经网络中间层的可视化，中间层的权重信息
pytorch中输出模型结构的几种方式：nn.Module.modules()、nn.Module.children()、nn.Module.parameters()和其中关于复制层的探究
qq_43219379的博客
05-07 5809
pytorch中输出模型结构的几种方式：nn.Module.modules()、nn.Module.children()、nn.Module.parameters()和其中关于复制层的探究
TensorFlow——多输出模型实例
Digger的博客
11-19 2113
多输出模型 多输出模型指的是模型里边有多个输出。 实例：将图像以颜色和服饰分类 导入需要用的库 import tensorflow as tf from tensorflow import keras import matplotlib.pyplot as plt %matplotlib inline import numpy as np import pathlib import IPython.display as display 根据图片路径提取图片 # 图片存放地址 data_dir = './
加载预训练模型遇到transformers的问题
one time one step的博客
03-02 1万+
问题1: urllib.error.URLError: urlopen error [SSL: CERTIFICATE_VERIFY_FAILED] 这是由于ssl验证的问题，在.py 文件的开头导入ssl包，创建默认验证： import ssl ssl._create_default_https_context = ssl._create_unverified_context 问题2: ImportError: cannot import name ‘AutoModelWithHeads’ from ‘
【MATLAB第56期】#源码分享 | 基于MATLAB的机器学习算法单输入多输出分类预测模型思路（回归改分类）
随风飘摇的土木狗的博客
07-14 1123
因上一步骤进行了正常的回归预测，输出一般为小数点，且不是限定标签的数值。所以需要通过find函数，将回归预测的输出结果进行分段赋值。若涉及多隐含层，可修改[20,20,5]中的数字。前2个20代表两层隐含层的神经元数 ，后面的5为输出节点，根据本案例数据设置。输出分为五个指标，每个指标共4个评分维度，即【0 10 20 30】归一化区间可自行设置，默认[-1,1]，本文采用[0,1]根据四舍五入的思路，如数据如果在5以下，则赋值为0，数据为1输入，5输出，总共482个样本。如果为[5,15)，赋值为10…
基于Tensorflow卷积神经网络玉米病害识别系统
最新发布
2301_79810943的博客
05-17 654
一、项目背景玉米作为世界上重要的粮食作物之一，其产量和质量直接关系到全球粮食安全。然而，玉米生长过程中常常受到各种病害的威胁，如锈病、斑病、枯萎病等。这些病害不仅会导致玉米减产，还会影响其品质。因此，及时准确地识别玉米病害并采取相应的防治措施对于保障玉米产量和质量具有重要意义。近年来，随着深度学习技术的飞速发展，卷积神经网络（CNN）在图像识别领域取得了显著成果。本项目旨在利用TensorFlow框架和卷积神经网络技术开发一个玉米病害识别系统，实现对玉米病害的快速准确识别。二、项目目标。
用python写CNN模型输入是28x28x1图片，输出15类
06-13
以下是一个简单的CNN模型，输入是28x28x1的灰度图像，输出15类。需要注意的是，这只是一个简单的模型，如果需要更高的准确率，需要对模型进行更多的调整和优化。 ```python import torch.nn as nn class CNN(nn.Module): def __init__(self): super(CNN, self).__init__() self.conv1 = nn.Conv2d(1, 32, 3, 1, 1) self.conv2 = nn.Conv2d(32, 64, 3, 1, 1) self.pool = nn.MaxPool2d(2, 2) self.fc1 = nn.Linear(64 * 7 * 7, 128) self.fc2 = nn.Linear(128, 15) def forward(self, x): x = self.pool(nn.functional.relu(self.conv1(x))) x = self.pool(nn.functional.relu(self.conv2(x))) x = x.view(-1, 64 * 7 * 7) x = nn.functional.relu(self.fc1(x)) x = self.fc2(x) return x ``` 模型中包含两个卷积层和两个全连接层，其中第一个卷积层的输入通道数为1，输出通道数为32，卷积核大小为3x3，步长为1，填充为1，第二个卷积层的输入通道数为32，输出通道数为64，卷积核大小为3x3，步长为1，填充为1。两个卷积层后接最大池化层，池化核大小为2x2，步长为2。两个全连接层的神经元数分别为128和15。最后的输出层不需要激活函数，因为在损失函数中使用的交叉熵损失已经包含了softmax操作。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Suyuoa

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值