深度学习代码,对coco数据集evaluate时,spice评估总是报错,解决如下:

在跑evaluate.py时,发现bleu,METEOR,ROUGE_L都能成功,就是spice评估总是报错,我的报错内容如下:

在这里插入图片描述
就找了好久,也问了chatgpt啥的,尝试很很多,最终发现是java版本太高了,需要java8的版本,而linux系统下的版本是17,于是需要把java版本降低,但同时我没有root权限,所以只能去java官网下载压缩包后,去自己的主目录解压。

如果有root权限,只需要切换版本啥的,很简单,所以只说没有权限的方法。

1. 具体步骤如下:

这是官网 中java8 版本的下载地址:

https://www.oracle.com/java/technologies/javase/javase8u211-later-archive-downloads.html

注意,先用下面的命令看一下系统的位数:

getconf LONG_BIT

在这里插入图片描述

我的是64位,所以选择这一项下载:

在这里插入图片描述
下载好之后,可以在自己的主目录下创建java目录:

mkdir java

在这里插入图片描述
之后,会把压缩包解压到java文件夹下:

tar -zxvf jdk-8u301-linux-x64.tar.gz -C ~/java/

此时,进入java文件夹,使用“ls”命令可以看到包含的文件夹:

在这里插入图片描述

接下来,使用 vim 编辑器编辑 ~/.bashrc

vim ~/.bashrc

加入这两句话:

在这里插入图片描述

export JAVA_HOME=/home/主目录名字/java/jdk1.8.0_351
export PATH=$JAVA_HOME/bin:$PATH

使用这个命令让其生效:

source ~/.bashrc

最后确认java版本是否安装成功:

java -version

在这里插入图片描述

最后的最后,去找到spice.py文件,进行修改,把‘java’改成刚刚安装的路径,刚刚安装的路径可以通过which java获得:

在这里插入图片描述

在这里插入图片描述

还要把spice-1.0.jar也改成绝对路径:

在这里插入图片描述

重新运行代码,就评估成功啦~

在这里插入图片描述

  • 2
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 7
    评论
帕尔默企鹅数据集是一个经典的分类数据集,主要用于训练和测试分类模型,是深度学习图像分类任务中的一个重要基准数据集之一。以下是使用Python中的Keras框架实现的帕尔默企鹅数据集深度学习代码示例: ``` import numpy as np import pandas as pd import tensorflow as tf from tensorflow import keras from sklearn.model_selection import train_test_split from sklearn.preprocessing import LabelEncoder # 加载数据集 data = pd.read_csv('penguins.csv') # 数据预处理 le = LabelEncoder() data['species'] = le.fit_transform(data['species']) X = data.drop(['species'], axis=1) y = data['species'] X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 构建模型 model = keras.Sequential([ keras.layers.Dense(64, input_shape=(4,), activation='relu'), keras.layers.Dense(3, activation='softmax') ]) # 编译模型 model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) # 训练模型 model.fit(X_train, y_train, epochs=100, batch_size=16) # 评估模型 test_loss, test_acc = model.evaluate(X_test, y_test) print('Test accuracy:', test_acc) ``` 在上述代码中,首先使用pandas加载帕尔默企鹅数据集并进行数据预处理,将目标变量采用LabelEncoder进行编码。然后使用Keras构建一个包含两个全连接层的神经网络模型,并使用adam优化器和sparse_categorical_crossentropy损失函数进行编译。最后,使用训练集对模型进行训练,然后对测试集进行评估,输出测试准确率。 需要注意的是,上述代码仅供参考,实际使用需要根据具体的问题进行修改和调整,以获得更好的性能和效果。同,还需要进行超参数调优以及模型选择来进一步提高深度学习模型的性能。

“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 7
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