python中tensorflow实现二分类_利用Tensorflow,神经网络进行二类分类

我正在尝试使用Tensorflow对图像进行两类分类。在

我想随机抽取1000个像素。

但是,我遇到了错误。在"logits = inference(images_placeholder, keep_prob)

File "train5.py", line 83, in inference

list = random.sample(x_image(IMAGE_PIXELS),SAMPLE_PIXELS)

TypeError: 'Tensor' object is not callable"

请告诉我该怎么办。在

我将在下面附上一个代码。在> import sys

sys.path.append('/usr/local/opt/opencv3/lib/python3.5.4/site-packages')

import cv2

import numpy as np

import tensorflow as tf

import tensorflow.python.platform

import tensorboard as tb

import os

import math

import time

import random

start_time = time.time()

# TensorBoard output information directory

log_dir = '/tmp/data1' #tensorboard --logdir=/tmp/data1

#directory delete and reconstruction

if tf.gfile.Exists(log_dir):

tf.gfile.DeleteRecursively(log_dir)

tf.gfile.MakeDirs(log_dir)

# Reserve memory

config = tf.ConfigProto(

gpu_options=tf.GPUOptions(

allow_growth=True

)

)

sess = sess = tf.Session(config=config)

NUM_CLASSES = 2

IMAGE_SIZE_x = 1024

IMAGE_SIZE_y = 768

IMAGE_CHANNELS = 1

IMAGE_PIXELS = IMAGE_SIZE_x*IMAGE_SIZE_y*IMAGE_CHANNELS

SAMPLE_PIXELS = 1000

flags = tf.app.flags

FLAGS = flags.FLAGS

flags.DEFINE_string('train', 'train.txt', 'File name of train data')

flags.DEFINE_string('test', 'test.txt', 'File name of train data')

flags.DEFINE_string('image_dir', 'trdata', 'Directory of images')

flags.DEFINE_string('train_dir', '/tmp/data', 'Di

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
BP神经网络是一种常见的神经网络模型,可以用于解决二分类问题,即将数据分为两类。在Python实现BP神经网络的方法有很多,常用的有Keras、TensorFlow等框架。 以Keras为例,可以先定义一个有多层的神经网络模型,然后进行训练和测试。首先需要导入相关的库: ``` import numpy as np from keras.models import Sequential from keras.layers.core import Dense, Activation from keras.optimizers import SGD ``` 定义一个多层感知器模型: ``` model = Sequential() # 定义模型 model.add(Dense(10, input_dim=2)) # 添加第一层,输入维度为2,输出维度为10 model.add(Activation('relu')) # 添加ReLU激活函数 model.add(Dense(1)) # 添加输出层,输出维度为1 model.add(Activation('sigmoid')) # 添加Sigmoid激活函数 ``` 接下来需要设定模型的优化器、学习率、损失函数、训练数据等参数: ``` sgd = SGD(lr=0.1) # 设定优化器和学习率 model.compile(loss='binary_crossentropy', optimizer=sgd, metrics=['accuracy']) # 编译模型 X_train = np.array([[0, 0], [0, 1], [1, 0], [1, 1]]) # 训练数据 y_train = np.array([0, 1, 1, 0]) # 训练数据的标签 ``` 最后进行训练: ``` model.fit(X_train, y_train, epochs=1000) # 训练模型 ``` 训练时,模型会根据训练数据逐渐调整参数,使得预测结果与实际标签的误差最小化。训练完成后,可以通过测试数据进行测试: ``` X_test = np.array([[0, 0], [0, 1], [1, 0], [1, 1]]) # 测试数据 y_test = np.array([0, 1, 1, 0]) # 测试数据的标签 loss, acc = model.evaluate(X_test, y_test) # 测试模型 print('loss: ', loss) print('accuracy: ', acc) ``` 测试时,模型会根据测试数据对结果进行预测,并计算误差和准确率。通过上述方法,即可在Python利用BP神经网络实现二分类问题的解决。

“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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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