- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我无法理解为什么我的验证准确度非常高; 98%左右。该值是仅经过 5 个 epoch 后的值;我的火车准确率正在慢慢提高,如下面的屏幕截图所示。
我的数据是一个大小合适的 np float 数组,代表 9 秒的 .WAV 文件。
这是我的变量浏览器
这是我的模型的样子。正如您所看到的,为了减少过度拟合(在此之前非常糟糕 - 99% 的训练 acc 和 26% 的验证),我添加了 60% 的 dropout 层;这使我获得了最高的验证准确性。
models = models.Sequential()
models.add(layers.Dense(20,activation = keras.layers.LeakyReLU(alpha=0.3)))
models.add(layers.Dense(4,activation = 'relu'))
models.add(layers.Dropout(.6))
models.add(layers.Dense(6,activation = 'relu'))
models.add(layers.Dense(80,activation = 'relu'))
models.add(layers.Dense(4, activation='softmax'))
models.compile(optimizer ='nadam',
loss='categorical_crossentropy',
metrics=['acc'])
history = models.fit(train_data, train_labels,
epochs=5,
batch_size= 2000,
validation_data=(test_data, test_labels))
即使在对我的数据进行打乱之后,也能达到如此高的准确度,如下所示。
data = np.column_stack((X,Y))
np.random.shuffle(data)
train_data = data[0:515,0:396900]
train_labels = data[0:515,396900:396904]
test_data = data[515:585,0:396900]
test_labels = data[515:585,396900:396904]
(修复数据洗牌,谢谢)
可以肯定的是,我并不是提示这种高精度,我只是觉得这是错误或测量错误值/keras计算错误精度的结果。
最佳答案
我很确定这是关于数据的洗牌。
请注意,在最后一个片段中,您没有对训练和测试数据(X
和 Y
)进行混洗,而只是对 data
数组进行混洗。
要使用打乱的数据进行训练,您应该:
train_data = data[0:515,0]
train_labels = data[0:515,1]
test_data = data[515:586,0]
test_labels = data[515:586,1]
关于python - 非常高的验证,同时缓慢增加训练,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/54185672/
real adaboost Logit boost discrete adaboost 和 gentle adaboost in train cascade parameter 有什么区别.. -bt
我想为 book crossing 构建训练数据矩阵和测试数据矩阵数据集。但作为 ISBN 代码的图书 ID 可能包含字符。因此,我无法应用此代码(来自 tutorial ): #Create two
我找到了 JavaANPR 库,我想对其进行自定义以读取我所在国家/地区的车牌。 似乎包含的字母表与我们使用的字母表不同 ( http://en.wikipedia.org/wiki/FE-Schri
我有一个信用卡数据集,其中 98% 的交易是非欺诈交易,2% 是欺诈交易。 我一直在尝试在训练和测试拆分之前对多数类别进行欠采样,并在测试集上获得非常好的召回率和精度。 当我仅在训练集上进行欠采样并在
我打算: 在数据集上从头开始训练 NASNet 只重新训练 NASNet 的最后一层(迁移学习) 并比较它们的相对性能。从文档中我看到: keras.applications.nasnet.NASNe
我正在训练用于分割的 uNet 模型。训练模型后,输出全为零,我不明白为什么。 我看到建议我应该使用特定的损失函数,所以我使用了 dice 损失函数。这是因为黑色区域 (0) 比白色区域 (1) 大得
我想为新角色训练我现有的 tesseract 模型。我已经尝试过 上的教程 https://github.com/tesseract-ocr/tesseract/wiki/TrainingTesser
我的机器中有两个 NVidia GPU,但我没有使用它们。 我的机器上运行了三个神经网络训练。当我尝试运行第四个时,脚本出现以下错误: my_user@my_machine:~/my_project/
我想在python的tensorflow中使用稀疏张量进行训练。我找到了很多代码如何做到这一点,但没有一个有效。 这里有一个示例代码来说明我的意思,它会抛出一个错误: import numpy as
我正在训练一个 keras 模型,它的最后一层是单个 sigmoid单元: output = Dense(units=1, activation='sigmoid') 我正在用一些训练数据训练这个模型
所以我需要使用我自己的数据集重新训练 Tiny YOLO。我正在使用的模型可以在这里找到:keras-yolo3 . 我开始训练并遇到多个优化器错误,添加了错误代码以防止混淆。 我注意到即使它应该使用
将 BERT 模型中的标记化范式更改为其他东西是否有意义?也许只是一个简单的单词标记化或字符级标记化? 最佳答案 这是论文“CharacterBERT: Reconciling ELMo and BE
假设我有一个非常简单的神经网络,比如多层感知器。对于每一层,激活函数都是 sigmoid 并且网络是全连接的。 在 TensorFlow 中,这可能是这样定义的: sess = tf.Inte
有没有办法在 PyBrain 中保存和恢复经过训练的神经网络,这样我每次运行脚本时都不必重新训练它? 最佳答案 PyBrain 的神经网络可以使用 python 内置的 pickle/cPickle
我尝试使用 Keras 训练一个对手写数字进行分类的 CNN 模型,但训练的准确度很低(低于 10%)并且误差很大。我尝试了一个简单的神经网络,但没有效果。 这是我的代码。 import tensor
我在 Windows 7 64 位上使用 tesseract 3.0.1。我用一种新语言训练图书馆。 我的示例数据间隔非常好。当我为每个角色的盒子定义坐标时,盒子紧贴角色有多重要?我使用其中一个插件,
如何对由 dropout 产生的许多变薄层进行平均?在测试阶段要使用哪些权重?我真的很困惑这个。因为每个变薄的层都会学习一组不同的权重。那么反向传播是为每个细化网络单独完成的吗?这些细化网络之间的权重
我尝试训练超正方语言。我正在使用 Tess4J 进行 OCR 处理。我使用jTessBoxEditor和SerakTesseractTrainer进行训练操作。准备好训练数据后,我将其放在 Tesse
我正在构建一个 Keras 模型,将数据分类为 3000 个不同的类别,我的训练数据由大量样本组成,因此在用一种热编码对训练输出进行编码后,数据非常大(item_count * 3000 * 的大小)
关闭。这个问题需要多问focused 。目前不接受答案。 想要改进此问题吗?更新问题,使其仅关注一个问题 editing this post . 已关闭 8 年前。 Improve this ques
我是一名优秀的程序员,十分优秀!