基于TensorFlow的泰坦尼克Titanic生存预测实战

最新推荐文章于 2023-04-21 15:27:04 发布
最新推荐文章于 2023-04-21 15:27:04 发布
阅读量992 收藏
点赞数
分类专栏： 机器学习项目 文章标签： tensorflow 深度学习 机器学习
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/weixin_42327752/article/details/123138191
版权

导包

import functools
import numpy as np
import tensorflow as tf
import tensorflow_datasets as tfds
import os

导入数据

cwd = os.getcwd()
train_path = cwd + os.sep + 'dataset/train.csv'
test_path = cwd + os.sep + 'dataset/eval.csv'

train_path

'D:\\codes\\jupyterlab\\test\\dataset/train.csv'

# 让 numpy 数据更易读。
np.set_printoptions(precision=3, suppress=True)

读取csv文件构建dataset

CSV_COLUMNS = ['survived', 'sex', 'age', 
               'n_siblings_spouses', 'parch', 'fare', 
               'class', 'deck', 'embark_town', 'alone']
LABEL_COLUMN = CSV_COLUMNS[0]
def get_dataset(file_path):
    dataset = tf.data.experimental.make_csv_dataset(
      file_path,
      batch_size=6, # 为了示例更容易展示，手动设置较小的值
      label_name=LABEL_COLUMN,
      na_value="?",
      num_epochs=1,
      ignore_errors=True)
    return dataset

raw_train_data = get_dataset(train_path)
raw_test_data = get_dataset(test_path)

获取标签和features张量

examples, labels = next(iter(raw_train_data)) # 第一个批次
print("EXAMPLES: \n", examples, "\n")
print("LABELS: \n", labels)

EXAMPLES: 
 OrderedDict([('sex', <tf.Tensor: shape=(6,), dtype=string, numpy=
array([b'male', b'female', b'female', b'female', b'male', b'female'],
      dtype=object)>), ('age', <tf.Tensor: shape=(6,), dtype=float32, numpy=array([34., 18., 16., 52., 22., 28.], dtype=float32)>), ('n_siblings_spouses', <tf.Tensor: shape=(6,), dtype=int32, numpy=array([1, 0, 0, 1, 0, 1])>), ('parch', <tf.Tensor: shape=(6,), dtype=int32, numpy=array([0, 1, 0, 0, 0, 0])>), ('fare', <tf.Tensor: shape=(6,), dtype=float32, numpy=array([26.   ,  9.35 ,  7.733, 78.267,  7.25 , 16.1  ], dtype=float32)>), ('class', <tf.Tensor: shape=(6,), dtype=string, numpy=
array([b'Second', b'Third', b'Third', b'First', b'Third', b'Third'],
      dtype=object)>), ('deck', <tf.Tensor: shape=(6,), dtype=string, numpy=
array([b'unknown', b'unknown', b'unknown', b'D', b'unknown', b'unknown'],
      dtype=object)>), ('embark_town', <tf.Tensor: shape=(6,), dtype=string, numpy=
array([b'Southampton', b'Southampton', b'Queenstown', b'Cherbourg',
       b'Southampton', b'Southampton'], dtype=object)>), ('alone', <tf.Tensor: shape=(6,), dtype=string, numpy=array([b'n', b'n', b'y', b'n', b'y', b'n'], dtype=object)>)]) 

LABELS: 
 tf.Tensor([0 1 1 1 0 1], shape=(6,), dtype=int32)

字典转二维张量

类别型数据处理

CATEGORIES = {
    'sex': ['male', 'female'],
    'class' : ['First', 'Second', 'Third'],
    'deck' : ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J'],
    'embark_town' : ['Cherbourg', 'Southhampton', 'Queenstown'],
    'alone' : ['y', 'n']
}
categorical_columns = []
for feature, vocab in CATEGORIES.items():
    cat_col = tf.feature_column.categorical_column_with_vocabulary_list(
        key=feature, vocabulary_list=vocab)
    categorical_columns.append(tf.feature_column.indicator_column(cat_col))

categorical_columns

[IndicatorColumn(categorical_column=VocabularyListCategoricalColumn(key='sex', vocabulary_list=('male', 'female'), dtype=tf.string, default_value=-1, num_oov_buckets=0)),
 IndicatorColumn(categorical_column=VocabularyListCategoricalColumn(key='class', vocabulary_list=('First', 'Second', 'Third'), dtype=tf.string, default_value=-1, num_oov_buckets=0)),
 IndicatorColumn(categorical_column=VocabularyListCategoricalColumn(key='deck', vocabulary_list=('A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J'), dtype=tf.string, default_value=-1, num_oov_buckets=0)),
 IndicatorColumn(categorical_column=VocabularyListCategoricalColumn(key='embark_town', vocabulary_list=('Cherbourg', 'Southhampton', 'Queenstown'), dtype=tf.string, default_value=-1, num_oov_buckets=0)),
 IndicatorColumn(categorical_column=VocabularyListCategoricalColumn(key='alone', vocabulary_list=('y', 'n'), dtype=tf.string, default_value=-1, num_oov_buckets=0))]

连续型数据处理

def process_continuous_data(mean, data):
  # 标准化数据
    data = tf.cast(data, tf.float32) * 1/(2*mean)
    return tf.reshape(data, [-1, 1])

MEANS = {
    'age' : 29.631308,
    'n_siblings_spouses' : 0.545455,
    'parch' : 0.379585,
    'fare' : 34.385399
}

numerical_columns = []

for feature in MEANS.keys():
    num_col = tf.feature_column.numeric_column(feature,
                                               normalizer_fn=functools
                                               .partial(process_continuous_data, MEANS[feature]))
    numerical_columns.append(num_col)

numerical_columns

[NumericColumn(key='age', shape=(1,), default_value=None, dtype=tf.float32, normalizer_fn=functools.partial(<function process_continuous_data at 0x0000028CAAA00160>, 29.631308)),
 NumericColumn(key='n_siblings_spouses', shape=(1,), default_value=None, dtype=tf.float32, normalizer_fn=functools.partial(<function process_continuous_data at 0x0000028CAAA00160>, 0.545455)),
 NumericColumn(key='parch', shape=(1,), default_value=None, dtype=tf.float32, normalizer_fn=functools.partial(<function process_continuous_data at 0x0000028CAAA00160>, 0.379585)),
 NumericColumn(key='fare', shape=(1,), default_value=None, dtype=tf.float32, normalizer_fn=functools.partial(<function process_continuous_data at 0x0000028CAAA00160>, 34.385399))]

创建预处理层

preprocessing_layer = tf.keras.layers.DenseFeatures(categorical_columns+numerical_columns)

categorical_columns+numerical_columns

[IndicatorColumn(categorical_column=VocabularyListCategoricalColumn(key='sex', vocabulary_list=('male', 'female'), dtype=tf.string, default_value=-1, num_oov_buckets=0)),
 IndicatorColumn(categorical_column=VocabularyListCategoricalColumn(key='class', vocabulary_list=('First', 'Second', 'Third'), dtype=tf.string, default_value=-1, num_oov_buckets=0)),
 IndicatorColumn(categorical_column=VocabularyListCategoricalColumn(key='deck', vocabulary_list=('A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J'), dtype=tf.string, default_value=-1, num_oov_buckets=0)),
 IndicatorColumn(categorical_column=VocabularyListCategoricalColumn(key='embark_town', vocabulary_list=('Cherbourg', 'Southhampton', 'Queenstown'), dtype=tf.string, default_value=-1, num_oov_buckets=0)),
 IndicatorColumn(categorical_column=VocabularyListCategoricalColumn(key='alone', vocabulary_list=('y', 'n'), dtype=tf.string, default_value=-1, num_oov_buckets=0)),
 NumericColumn(key='age', shape=(1,), default_value=None, dtype=tf.float32, normalizer_fn=functools.partial(<function process_continuous_data at 0x0000028CAAA00160>, 29.631308)),
 NumericColumn(key='n_siblings_spouses', shape=(1,), default_value=None, dtype=tf.float32, normalizer_fn=functools.partial(<function process_continuous_data at 0x0000028CAAA00160>, 0.545455)),
 NumericColumn(key='parch', shape=(1,), default_value=None, dtype=tf.float32, normalizer_fn=functools.partial(<function process_continuous_data at 0x0000028CAAA00160>, 0.379585)),
 NumericColumn(key='fare', shape=(1,), default_value=None, dtype=tf.float32, normalizer_fn=functools.partial(<function process_continuous_data at 0x0000028CAAA00160>, 34.385399))]

创建模型

model = tf.keras.Sequential([
  preprocessing_layer,
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dense(1, activation='sigmoid'),
])

model.compile(
    loss='binary_crossentropy',
    optimizer='adam',
    metrics=['accuracy'])

模型训练

train_data = raw_train_data.shuffle(500)
test_data = raw_test_data

list(train_data.take(1).as_numpy_iterator())

[(OrderedDict([('sex',
                array([b'female', b'female', b'male', b'female', b'male', b'male'],
                      dtype=object)),
               ('age', array([26., 60., 23., 28., 21., 30.], dtype=float32)),
               ('n_siblings_spouses', array([0, 1, 0, 0, 0, 0])),
               ('parch', array([0, 0, 0, 0, 0, 0])),
               ('fare',
                array([ 7.925, 75.25 , 15.046,  8.05 ,  7.733, 10.5  ], dtype=float32)),
               ('class',
                array([b'Third', b'First', b'Second', b'Third', b'Third', b'Second'],
                      dtype=object)),
               ('deck',
                array([b'unknown', b'D', b'unknown', b'unknown', b'unknown', b'unknown'],
                      dtype=object)),
               ('embark_town',
                array([b'Southampton', b'Cherbourg', b'Cherbourg', b'Southampton',
                       b'Queenstown', b'Southampton'], dtype=object)),
               ('alone',
                array([b'y', b'n', b'y', b'y', b'y', b'y'], dtype=object))]),
  array([1, 1, 0, 0, 0, 0])),

model.fit(train_data, epochs=20)

Epoch 1/20
WARNING:tensorflow:Layers in a Sequential model should only have a single input tensor. Received: inputs=OrderedDict([('sex', <tf.Tensor 'IteratorGetNext:8' shape=(None,) dtype=string>), ('age', <tf.Tensor 'IteratorGetNext:0' shape=(None,) dtype=float32>), ('n_siblings_spouses', <tf.Tensor 'IteratorGetNext:6' shape=(None,) dtype=int32>), ('parch', <tf.Tensor 'IteratorGetNext:7' shape=(None,) dtype=int32>), ('fare', <tf.Tensor 'IteratorGetNext:5' shape=(None,) dtype=float32>), ('class', <tf.Tensor 'IteratorGetNext:2' shape=(None,) dtype=string>), ('deck', <tf.Tensor 'IteratorGetNext:3' shape=(None,) dtype=string>), ('embark_town', <tf.Tensor 'IteratorGetNext:4' shape=(None,) dtype=string>), ('alone', <tf.Tensor 'IteratorGetNext:1' shape=(None,) dtype=string>)]). Consider rewriting this model with the Functional API.
WARNING:tensorflow:Layers in a Sequential model should only have a single input tensor. Received: inputs=OrderedDict([('sex', <tf.Tensor 'IteratorGetNext:8' shape=(None,) dtype=string>), ('age', <tf.Tensor 'IteratorGetNext:0' shape=(None,) dtype=float32>), ('n_siblings_spouses', <tf.Tensor 'IteratorGetNext:6' shape=(None,) dtype=int32>), ('parch', <tf.Tensor 'IteratorGetNext:7' shape=(None,) dtype=int32>), ('fare', <tf.Tensor 'IteratorGetNext:5' shape=(None,) dtype=float32>), ('class', <tf.Tensor 'IteratorGetNext:2' shape=(None,) dtype=string>), ('deck', <tf.Tensor 'IteratorGetNext:3' shape=(None,) dtype=string>), ('embark_town', <tf.Tensor 'IteratorGetNext:4' shape=(None,) dtype=string>), ('alone', <tf.Tensor 'IteratorGetNext:1' shape=(None,) dtype=string>)]). Consider rewriting this model with the Functional API.
105/105 [==============================] - 1s 2ms/step - loss: 0.5012 - accuracy: 0.7783
Epoch 2/20
105/105 [==============================] - 0s 806us/step - loss: 0.4281 - accuracy: 0.8214
Epoch 3/20
105/105 [==============================] - 0s 801us/step - loss: 0.4229 - accuracy: 0.8070
Epoch 4/20
105/105 [==============================] - 0s 798us/step - loss: 0.4061 - accuracy: 0.8118
Epoch 5/20
105/105 [==============================] - 0s 795us/step - loss: 0.3954 - accuracy: 0.8246
Epoch 6/20
105/105 [==============================] - 0s 789us/step - loss: 0.3923 - accuracy: 0.8262
Epoch 7/20
105/105 [==============================] - 0s 797us/step - loss: 0.3910 - accuracy: 0.8246
Epoch 8/20
105/105 [==============================] - 0s 785us/step - loss: 0.3794 - accuracy: 0.8341
Epoch 9/20
105/105 [==============================] - 0s 786us/step - loss: 0.3752 - accuracy: 0.8437
Epoch 10/20
105/105 [==============================] - 0s 815us/step - loss: 0.3742 - accuracy: 0.8405
Epoch 11/20
105/105 [==============================] - 0s 815us/step - loss: 0.3691 - accuracy: 0.8341
Epoch 12/20
105/105 [==============================] - 0s 824us/step - loss: 0.3640 - accuracy: 0.8453
Epoch 13/20
105/105 [==============================] - 0s 819us/step - loss: 0.3567 - accuracy: 0.8389
Epoch 14/20
105/105 [==============================] - 0s 1ms/step - loss: 0.3531 - accuracy: 0.8485
Epoch 15/20
105/105 [==============================] - 0s 789us/step - loss: 0.3480 - accuracy: 0.8533
Epoch 16/20
105/105 [==============================] - 0s 796us/step - loss: 0.3478 - accuracy: 0.8437
Epoch 17/20
105/105 [==============================] - 0s 796us/step - loss: 0.3490 - accuracy: 0.8517
Epoch 18/20
105/105 [==============================] - 0s 786us/step - loss: 0.3443 - accuracy: 0.8469
Epoch 19/20
105/105 [==============================] - 0s 796us/step - loss: 0.3393 - accuracy: 0.8453
Epoch 20/20
105/105 [==============================] - 0s 805us/step - loss: 0.3374 - accuracy: 0.8437

<keras.callbacks.History at 0x28cabc9b520>

模型验证

test_loss, test_accuracy = model.evaluate(test_data)

print('\n\nTest Loss {}, Test Accuracy {}'.format(test_loss, test_accuracy))

WARNING:tensorflow:Layers in a Sequential model should only have a single input tensor. Received: inputs=OrderedDict([('sex', <tf.Tensor 'IteratorGetNext:8' shape=(None,) dtype=string>), ('age', <tf.Tensor 'IteratorGetNext:0' shape=(None,) dtype=float32>), ('n_siblings_spouses', <tf.Tensor 'IteratorGetNext:6' shape=(None,) dtype=int32>), ('parch', <tf.Tensor 'IteratorGetNext:7' shape=(None,) dtype=int32>), ('fare', <tf.Tensor 'IteratorGetNext:5' shape=(None,) dtype=float32>), ('class', <tf.Tensor 'IteratorGetNext:2' shape=(None,) dtype=string>), ('deck', <tf.Tensor 'IteratorGetNext:3' shape=(None,) dtype=string>), ('embark_town', <tf.Tensor 'IteratorGetNext:4' shape=(None,) dtype=string>), ('alone', <tf.Tensor 'IteratorGetNext:1' shape=(None,) dtype=string>)]). Consider rewriting this model with the Functional API.
44/44 [==============================] - 0s 897us/step - loss: 0.4517 - accuracy: 0.8220


Test Loss 0.45173394680023193, Test Accuracy 0.8219696879386902

模型预测

predictions = model.predict(test_data)

# 显示部分结果
for prediction, survived in zip(predictions[:10], list(test_data)[0][1][:10]):
    print("Predicted survival: {:.2%}".format(prediction[0]),
        " | Actual outcome: ",
        ("SURVIVED" if bool(survived) else "DIED"))

WARNING:tensorflow:Layers in a Sequential model should only have a single input tensor. Received: inputs=OrderedDict([('sex', <tf.Tensor 'IteratorGetNext:8' shape=(None,) dtype=string>), ('age', <tf.Tensor 'IteratorGetNext:0' shape=(None,) dtype=float32>), ('n_siblings_spouses', <tf.Tensor 'IteratorGetNext:6' shape=(None,) dtype=int32>), ('parch', <tf.Tensor 'IteratorGetNext:7' shape=(None,) dtype=int32>), ('fare', <tf.Tensor 'IteratorGetNext:5' shape=(None,) dtype=float32>), ('class', <tf.Tensor 'IteratorGetNext:2' shape=(None,) dtype=string>), ('deck', <tf.Tensor 'IteratorGetNext:3' shape=(None,) dtype=string>), ('embark_town', <tf.Tensor 'IteratorGetNext:4' shape=(None,) dtype=string>), ('alone', <tf.Tensor 'IteratorGetNext:1' shape=(None,) dtype=string>)]). Consider rewriting this model with the Functional API.
Predicted survival: 57.07%  | Actual outcome:  SURVIVED
Predicted survival: 83.36%  | Actual outcome:  DIED
Predicted survival: 8.28%  | Actual outcome:  DIED
Predicted survival: 8.79%  | Actual outcome:  SURVIVED
Predicted survival: 57.22%  | Actual outcome:  DIED
Predicted survival: 8.16%  | Actual outcome:  SURVIVED
Weiyaner
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
tensorflow综合示例3：对结构化数据进行分类：csv & keras & feature_column
jediael_lu的专栏
07-16 1557
文章目录1、数据集1.1 使用 Pandas 从csv创建一个 dataframe1.2 将 dataframe 拆分为训练、验证和测试集1.3 用 tf.data 创建输入流水线Dataset1.4 理解输入流水线2、特征列 feature_column2.1 数值列2.2 分桶列2.3 分类列2.4 嵌入列2.5 经过哈希处理的特征列2.6 组合的特征列2.7 选择要使用的列3、构建&运行模型3.1 建立一个新的特征层3.2 创建，编译和训练模型4、完整代码5、另一个简单例子 本文主要内容来自：
Kaggle泰坦尼克号生存预测 Titanic
最新发布
01-23
【Kaggle】泰坦尼克号生存预测 Titanic。score：0.80861，含有 jupyter notebook、csv 和 python 文件，代码内含有 EDA（Exploratory Data Analysis） 分析过程，使用模型有：逻辑回归模型（Logistic Regression）、...
泰坦尼克号生存预测数据集
02-09
https://www.bilibili.com/video/BV1nt411r7tj 该视频所需的数据集
求助：tensorflow:Layers in a Sequential model should only have a single input tensor
weixin_42703299的博客
01-18 2089
WARNING:tensorflow:Layers in a Sequential model should only have a single input tensor, but we receive a <class 'dict'> input: {'grade': <tf.Tensor 'ExpandDims_2:0' shape=(None, 1) dtype=string>, 'sub_grade': <tf.Tensor 'ExpandDims_9:0' shap
Titanic 泰坦尼克号预测-Tensorflow 方法-【Kaggle 比赛】
我的一些代码。。。
08-18 1963
本文介绍Kaggle入门比赛Titanic泰坦尼克号幸存预测的解题思路，使用的是神经网络和Tensorflow框架。提交代码附在本文的最后部分。 基本思路为: 1.导入数据集 2.对数据预处理 3.训练 4.预测并输出结果............
tensorflow的容器Sequential 笔记心得
小蜗Leon的博客
12-25 1318
tensorflow的Sequential不能够改名字，源代码处仅为可读，可以修改为读写，layer = model.layers,layer.name。 Sequential可以添加模型，层，比较灵活。但是，同一个模型因为具有相同的名字，重复添加只保留第一次添加，尝试copy.deepcopy(模型)，只能得到相同名字的model，因此不能使用。可以直接添加drop层，另外，第二份代码使用了tensorboard。训练用到的方法是通过compile实现的。训练数据是fit，当然损失函数依据不同的问题类型选
利用tensorflow神经网络进行泰坦尼克的生存预测
weixin_44755413的博客
09-30 2560
相信每一个在机器学习感兴趣的小伙伴都对kaggle有所耳闻，甚至也自己上面打过一两场。kaggle上有很多经典的比赛可以让我们练手，最有名的当然要属泰坦尼克号的生存预测了。kaggle官网的泰坦尼克地址当然这么有名的题目解法一定很多，个人认为用logstic就可以解决(但是本身验证之后发现准确率不高)所以在这里给大家介绍一下另一个著名的解法——神经网络 一.介绍 1.编译器:Pycharm 2.d...
泰坦尼克号生存者预测测试集
09-16
泰坦尼克号生存者预测测试集。泰坦尼克海难是著名的十大灾难之一，究竟多少人遇难，各方统计的结果不一。现在我们可以得到部分的数据。
Titanic生存预测数据集.rar
08-15
Titanic生存预测数据集.rar Titanic生存预测数据集.rar Titanic生存预测数据集.rar Titanic生存预测数据集.rar Titanic生存预测数据集.rar Titanic生存预测数据集.rar Titanic生存预测数据集.rar Titanic生存预测...
Titanic 生存预测（上）
12-21
在这个名为“Titanic 生存预测（上）”的学习记录博客中，作者开始探索著名的泰坦尼克号(Titanic)数据集，这是一个广泛用于初学者和经验丰富的数据科学家的数据集，旨在预测船上乘客的生存概率。这个任务是典型的...
TensorFlow 2.9的零零碎碎（三）-构建模型
天边一坨浮云
08-10 1718
TensorFlow 2.9的零零碎碎（三）-构建模型
2-数据分析
qq_45190143的博客
04-21 197
创建一个数值列的集合。在传参的时候使用 functools.partial，functools.partial 由使用每个列的均值进行标准化的函数构成。使用 tf.feature_column API 创建一个 tf.feature_column.indicator_column 集合，每个 tf.feature_column.indicator_column 对应一个分类的列。将这两个特征列的集合相加，并且传给 tf.keras.layers.DenseFeatures 从而创建一个进行预处理的输入层。
TensorFlow实战演练--泰坦尼克号视频教学
05-12
利用泰坦尼克号的实战案例，讲解利用TensorFlow完成机器学习或者深度学习项目，讲解到matplotlib实现散点图，直方图等图，讲解如何利用tensorboard，讲解数据获取，分析，清晰与预处理，讲解如何构建模型，迭代训练，session使用，模型存储与加载，预测结果。还会讲解特征工程的相关知识
ValueError: Layer sequential expects 1 inputs, but it received 2 input tensors. Inputs received: [＜
qq_42910179的博客
11-21 4331
在训练模型时，遇到了这个错误，找了很多资料也没有解决，出错的代码： model.fit(X_train, y_train, batch_size=b_size, epochs=max_epochs, validation_data = [X_val, y_val], callbacks=[reduce_lr], shuffle=True, verbose=2) 1 2 3 最终在stackOverflow上找到了类似的问题，有了解决方法： 在这里插入图片描述 照着改了写法后解决了，并且带着同款疑问，不知道为
AI-机器学习-自学笔记（五）决策树算法
qq_41597915的博客
11-09 741
决策树(Decision Tree）是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。 简单说就是依据熵值计算，不断地做出选择，直到获得最终结果（熵值为0或者在设定的某个范围内）。根据计算方法不同，有ID3算法、C4.5算法、CART算法等。 每个对象就是一个节点，开始的地方叫根节点，最后不能分...
PHP与JSON的一些常用操作
HelloWorld
09-30 1957
PHP把数据写入JSON文件 <?php // 生成一个PHP数组 $data = array (); $data ["fruit"] = "apple" ; $data ["animal"] = "tiget"; // 把PHP数组转成JSON字符串,写入文件 $json_string = json_encode( $data ); ?> PHP读取JSON数据? <?php // 从文件中读取数据到PHP变量 $str = file_get_contents ( 'one
Sequential model should have a single output tensor. For multi-output layers,use the functional API.
NLP与推荐算法
05-30 2214
这个错误的原因在于不知道啥叫序列化模型，keras的模型都是序列化堆叠的模型，如果你觉得不好用，你可以直接用tf的函数构建，不要嫌弃keras，人家本来就是高级API，你想知道更多，你用低级的API呗 非要用LSTM中的状态也可以，先了解下参数，啥都不了解就不要轻易下结论，不被人笑死？？ input_data = tf.keras.layers.Input(shape=(12,3)) hidden_1, state_h, state_c = tf.keras.layers.LSTM(units=16,
tensorflow2.0踩坑记录
最爱娜美注孤生的专栏
04-30 2862
个人其他链接 github blog tensorflow2.0设计理念 ref: https://blog.tensorflow.org/2019/01/what-are-symbolic-and-imperative-apis.html Symbolic (or Declarative) APIs Sequential APIs import tensorflow as tf mnist ...
Tensorflow由于版本问题出现的几种错误及解决办法
热门推荐
Tsingzao的博客
12-28 4万+
1、AttributeError: 'module' object has no attribute 'rnn_cell' S：将tf.nn.rnn_cell替换为tf.contrib.rnn 2、TypeError: Expected int32, got list containing Tensors of type '_Message' instead. S：由于tf.conca...
Titanic生存预测
05-18
Titanic生存预测是一个经典的机器学习问题，目的是预测乘客在泰坦尼克号船沉没事故中是否存活。这个问题的数据集包含了每位乘客的年龄、性别、船票等级、家庭成员人数等信息，以及他们是否在事故中幸存的标签。 ...

“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 1
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

Weiyaner

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