machine-learning - Tensorflow 2 异或实现

Question

我是 tensorflow 新手，首先我想训练 XOR 模型，给出具有 2 个值的 4 个输入，并学习具有 1 个值的 4 个输出。这是我在 TF 2 中所做的事情

    model = keras.Sequential([
    keras.layers.Input(shape=(2,)),
    keras.layers.Dense(units=2, activation='relu'),
    keras.layers.Dense(units=1, activation='softmax')
    ])

    model.compile(optimizer='adam',
                  loss=tf.losses.CategoricalCrossentropy(from_logits=True),
                  metrics=['accuracy'])

    history = model.fit(
        (tf.cast([[0,0],[0,1],[1,0],[1,1]], tf.float32), tf.cast([0,1,1,0], tf.float32)),
        epochs=4,
        steps_per_epoch=1,
        validation_data=(tf.cast([[0.7, 0.7]], tf.float32), tf.cast([0], tf.float32)),
        validation_steps=1
       )

以上代码给出错误IndexError:列表索引超出范围

请帮我解决这个问题，我想了解如何为模型提供形状。

Answer 1

您在拟合函数中分配参数时遇到问题:

history = model.fit(
    (tf.cast([[0,0],[0,1],[1,0],[1,1]], tf.float32), tf.cast([0,1,1,0], tf.float32)),
    epochs=4,
    steps_per_epoch=1,
    validation_data=(tf.cast([[0.7, 0.7]], tf.float32), tf.cast([0], tf.float32)),
    validation_steps=1)

尝试用以下内容替换该行:

x_train = tf.cast([[0,0],[0,1],[1,0],[1,1]], tf.float32)
y_train = tf.cast([0,1,1,0], tf.float32)
x_test = tf.cast([[0.7, 0.7]], tf.float32)
y_test = tf.cast([0], tf.float32)
history = model.fit(
    x=x_train, y=y_train,
    epochs=4,
    steps_per_epoch=1,
    validation_data=(x_test, y_test),
    validation_steps=1
    )

您的问题应该得到解决。

PS:只是一个建议，当你进行二元分类时，尝试使用 sigmoid 而不是 softmax，并分别使用 BinaryCrossentropy 损失而不是 CategoricalCrossentropy。祝你好运