labels = np.array([['positive'],['negative'],['negative'],['positive']])
# output from pandas is similar to the above
values = (labels=='positive').astype(np.int_)
to_categorical(values,2)
Sortie:tflearn to_categorical: traitement des données à partir pandas.df.values: tableau de tableaux
array([[ 1., 1.],
[ 1., 1.],
[ 1., 1.],
[ 1., 1.]])
Si je retire la liste intérieure enfermant pour chaque élément, il semble fonctionner très bien
labels = np.array([['positive'],['negative'],['negative'],['positive']])
values = (labels=='positive').astype(np.int_)
to_categorical(values.T[0],2)
sortie:
array([[ 0., 1.],
[ 1., 0.],
[ 1., 0.],
[ 0., 1.]])
Pourquoi est-il Behav de cette façon? Je suis quelques tutoriels, mais ils semblent avoir obtenu la bonne sortie, même pour un tableau de tableaux. Est-ce que cela a été récemment amélioré pour se comporter de cette façon?
J'utilise tflearn (0.3.2)
sur py362
a été mis à jour récemment? Jetez un coup d'oeil à [ce] cahier (https://github.com/udacity/deep-learning/commit/3065d99749e46eb5ff27a48d6a18d887d1f2b2cb), j'ai été coincé dans ce Y 'In [12]', qui semble avoir exécuté impeccable avant, mais seulement maintenant quelqu'un a poussé une mise à jour avec '[xxx, 0]' –
Il se pourrait aussi que le précédent 'Y' soit une série de pandas et maintenant' Y' a été changé en une trame de données à une colonne. Juste une supposition. – Psidom