keras分类模型中的输入数据与标签的维度

最新推荐文章于 2022-05-10 17:29:45 发布

xytywh

最新推荐文章于 2022-05-10 17:29:45 发布

阅读量5.8k

点赞数

分类专栏： Keras 文章标签： keras

本文链接：https://blog.csdn.net/xiaohuihui1994/article/details/83536752

版权

本文探讨了在Keras中处理分类任务时输入数据和标签的维度问题，以MNIST十分类和IMDB二分类为例。强调了数据预处理的重要性，包括将文本数据转换为one-hot向量，调整数据结构以适应模型。同时指出，对于二分类，输出层应使用sigmoid激活函数和binary_crossentropy损失函数；对于多分类，应使用softmax激活函数和categorical_crossentropy损失函数。网络输入和目标必须是浮点数张量。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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_images = train_images.reshape((60000, 28 * 28))
train_images = train_images.astype('float32') / 255
train_labels = to_categorical(train_labels)
     
之后：
print(train_images, type(train_images), train_images.shape, train_images.dtype)
print(train_labels, type(train_labels), train_labels.shape, train_labels.dtype)
结果：
[[0. 0. 0. ... 0. 0. 0.]
 [0. 0. 0. ... 0. 0. 0.]
 [0. 0. 0. ... 0. 0. 0.]
 ...
 [0. 0. 0. ... 0. 0. 0.]
 [0. 0. 0. ... 0. 0. 0.]
 [0. 0. 0. ... 0. 0. 0.]] <class 'numpy.ndarray'> (60000, 784) float32
[[0. 0. 0. ... 0. 0. 0.]
 [1. 0. 0. ... 0. 0. 0.]
 [0. 0. 0