Voici ce que j'ai fait. J'ai obtenu le code pour la classification d'image de chien/chat et j'ai compilé et couru et ai obtenu l'exactitude de 80%. J'ai ajouté un dossier de classe (avion) au dossier de train et de validation. Les modifications apportées dans les codes suivantsComment faire une classification d'image multi-classe dans keras?
model.compile(loss='categorical_crossentropy',
optimizer='rmsprop',
metrics=['accuracy'])
train_generator = train_datagen.flow_from_directory(
train_data_dir,
target_size=(img_width, img_height),
batch_size=batch_size,
class_mode='categorical')
validation_generator = test_datagen.flow_from_directory(
validation_data_dir,
target_size=(img_width, img_height),
batch_size=batch_size,
class_mode='categorical')
changé binary class_mode
-categorical
et aussi la perte de categorical_crossentropy
. Modification également la mise en page de sortie sigmoid
à softmax
. Reçoit l'erreur suivante. Dois-je modifier explicitement les étiquettes d'apprentissage pour les catégoriques comme mentionné ci-dessous? (Je l'ai lu ce à partir du site multilabel classification using keras)
train_labels = to_categorical(train_labels, num_classes=num_classes)
Je ne sais pas ce qui se passe ici. S'il vous plaît aider. Je suis relativement nouveau à l'apprentissage en profondeur.
modèle
model = Sequential()
model.add(Conv2D(32, (3, 3), input_shape=input_shape))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(32, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(64, (3, 3)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(64))
model.add(Activation('relu'))
model.add(Dropout(0.5))
model.add(Dense(1))
model.add(Activation('softmax'))
model.compile(loss='categorical_crossentropy',
optimizer='rmsprop',
metrics=['accuracy'])
# this is the augmentation configuration we will use for training
train_datagen = ImageDataGenerator(
rescale=1./255,
shear_range=0.2,
zoom_range=0.2,
horizontal_flip=True)
# this is the augmentation configuration we will use for testing:
# only rescaling
test_datagen = ImageDataGenerator(rescale=1./255)
train_generator = train_datagen.flow_from_directory(
train_data_dir,
target_size=(img_width, img_height),
batch_size=batch_size,
class_mode='categorical')
validation_generator = test_datagen.flow_from_directory(
validation_data_dir,
target_size=(img_width, img_height),
batch_size=batch_size,
class_mode='categorical')
model.fit_generator(
train_generator,
steps_per_epoch=nb_train_samples // batch_size,
epochs=epochs,
validation_data=validation_generator,
validation_steps=nb_validation_samples // batch_size)
pls partager votre modèle, ainsi que la structure de vos données d'étiquettes ('y_test') - est-ce un entier (0/1/2) ou un vecteur codé à chaud unique (' [0.0, 0.0, 1.0] ')? – desertnaut
# dimensions de nos images. img_width, img_height = 150, 150 train_data_dir = '/ home/edwin/dc/train' validation_data_dir = '/ home/edwin/dc/validation' nb_train_samples = 2011 nb_validation_samples = 813 époques = 3 batch_size = 16 si K.image_data_format() == 'channels_first': input_shape = (3, img_width, img_height) autre: input_shape = (img_width, img_height, 3) modèle = séquentiel() –
Pas du tout ce que j'ai demandé - pls vérifier à nouveau mes questions; et que sommes-nous supposés faire avec les chemins de répertoire locaux pour votre système? De plus, les commentaires ne sont pas le bon endroit pour ce genre d'information - vous devez éditer et mettre à jour votre message, si nécessaire. – desertnaut