解決keras,val_categorical_accuracy:,0.0000e+00問(wèn)題
問(wèn)題描述：
在利用神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)和識(shí)別的時(shí)候，使用了keras這個(gè)封裝層次比較高的框架，backend使用的是tensorflow-cpu。
在交叉驗(yàn)證的時(shí)候，出現(xiàn) val_categorical_accuracy: 0.0000e+00的問(wèn)題。
問(wèn)題分析：
首先，弄清楚，訓(xùn)練集、驗(yàn)證集、測(cè)試集的區(qū)別，驗(yàn)證集是從訓(xùn)練集中提前拿出一部分的數(shù)據(jù)集。在keras中，一般都是使用這種方式來(lái)指定驗(yàn)證集占訓(xùn)練集和的總大小。
validation_split=0.2
比如，經(jīng)典的數(shù)據(jù)集MNIST，共有60000個(gè)訓(xùn)練集，就會(huì)
Train on 48000 samples, validate on 12000 samples
我自己學(xué)習(xí)使用的數(shù)據(jù)集比較小
訓(xùn)練數(shù)據(jù)集樣本數(shù)： 498 ,標(biāo)簽個(gè)數(shù) 498
Train on 398 samples, validate on 100 samples
基本上符合4：1（0.2）的分配
出現(xiàn) val_categorical_accuracy: 0.0000e+00的問(wèn)題，我這邊的原因主要是，樣本本身是有規(guī)律的，導(dǎo)致分配的驗(yàn)證集的標(biāo)簽可能在訓(xùn)練集中可能就沒(méi)有。
（PS：我實(shí)際看了下，498個(gè)樣本共10個(gè)標(biāo)簽，后100個(gè)驗(yàn)證集占據(jù)了基本上后面3個(gè)標(biāo)簽（實(shí)際上，這三個(gè)標(biāo)簽占了103個(gè)樣本），也就是前面的訓(xùn)練集基本上就沒(méi)有后面的標(biāo)簽，整體占據(jù)前面7個(gè)標(biāo)簽）
問(wèn)題解決：
把最初始的訓(xùn)練集打亂，當(dāng)然，標(biāo)簽也要跟著移動(dòng)。
index = [i for i in range(len(x_train))] np.random.shuffle(index) x_train = x_train[index] y_train = y_train[index] model.fit(x_train, y_train, batch_size=32, epochs=10, validation_split=0.2, verbose=1)
同樣的問(wèn)題表現(xiàn)，可能有不同的原因，解決方法也不盡相同，這里只是和大家分享我自己的問(wèn)題解決過(guò)程。
補(bǔ)充知識(shí)：keras中自定義驗(yàn)證集的性能評(píng)估
如下所示：
def AUC(y_true,y_pred): not_y_pred=np.logical_not(y_pred) y_int1=y_true*y_pred y_int0=np.logical_not(y_true)*not_y_pred TP=np.sum(y_pred*y_int1) FP=np.sum(y_pred)-TP TN=np.sum(not_y_pred*y_int0) FN=np.sum(not_y_pred)-TN TPR=np.float(TP)/(TP+FN) FPR=np.float(FP)/(FP+TN) return((1+TPR-FPR)/2)
以上這篇解決keras,val_categorical_accuracy:,0.0000e+00問(wèn)題就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。
相關(guān)文章
利用Python在一個(gè)文件的頭部插入數(shù)據(jù)的實(shí)例
下面小編就為大家分享一篇利用Python在一個(gè)文件的頭部插入數(shù)據(jù)的實(shí)例，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2018-05-05
基于Python+Pyqt5開(kāi)發(fā)一個(gè)應(yīng)用程序
今天給大家?guī)?lái)的是關(guān)于Python的相關(guān)知識(shí)，文章圍繞著Python+Pyqt5開(kāi)發(fā)一個(gè)應(yīng)用程序展開(kāi),文中有非常詳細(xì)的介紹及代碼示例,需要的朋友可以參考下2021-06-06
Python利用邏輯回歸分類(lèi)實(shí)現(xiàn)模板
這篇文章主要介紹了Python利用邏輯回歸分類(lèi)實(shí)現(xiàn)模板的思路，本文通過(guò)實(shí)例代碼給大家介紹的非常詳細(xì)，具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2020-02-02
pandas取dataframe特定行列的實(shí)現(xiàn)方法
大家在使用Python進(jìn)行數(shù)據(jù)分析時(shí)，經(jīng)常要使用到的一個(gè)數(shù)據(jù)結(jié)構(gòu)就是pandas的DataFrame，本文介紹了pandas取dataframe特定行列的實(shí)現(xiàn)方法，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2021-05-05
Python+wxPython實(shí)現(xiàn)將圖片轉(zhuǎn)換為草圖
將照片轉(zhuǎn)換為藝術(shù)風(fēng)格的草圖是一種有趣的方式，可以為您的圖像添加獨(dú)特的效果,本文主要介紹了如何Python和wxPython來(lái)實(shí)現(xiàn)這一目標(biāo)，需要的可以參考下2023-08-08
Python中使用jpype調(diào)用Jar包中的實(shí)現(xiàn)方法
這篇文章主要介紹了Python中使用jpype調(diào)用Jar包中的實(shí)現(xiàn)方法，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2022-12-12
在本篇文章里小編給大家整理的是關(guān)于Python發(fā)送郵件的實(shí)例代碼講解內(nèi)容，需要的朋友們可以參考下。2019-10-10
Python中WebService客戶(hù)端接口調(diào)用及身份驗(yàn)證的問(wèn)題
這篇文章主要介紹了Python中WebService客戶(hù)端接口調(diào)用及身份驗(yàn)證的問(wèn)題，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教2022-11-11
詳解Python中靜態(tài)類(lèi)型語(yǔ)言的寫(xiě)法
眾所周知，python是一種動(dòng)態(tài)類(lèi)型語(yǔ)言，但是，從v3.6版本開(kāi)始，開(kāi)始支持靜態(tài)類(lèi)型的寫(xiě)法，下面小編就來(lái)和大家聊聊Python中靜態(tài)類(lèi)型語(yǔ)言的具體寫(xiě)法吧2023-07-07
mac系統(tǒng)下安裝pycharm、永久激活、中文漢化詳細(xì)教程
這篇文章主要介紹了mac系統(tǒng)下安裝pycharm、永久激活、中文漢化詳細(xì)教程,需要的朋友可以參考下2020-11-11