过程:
在 Keras 中,构 建深度学习模型就是将相互兼容的多个层拼接在一起。以建立有用的数据变换流程。这里层兼 容性(layer compatibility)具体指的是每一层只接受特定形状的输入张量,并返回特定形状的输 出张量。看看下面这个例子。
对于二分类问题,你可以使用二元交叉熵(binary crossentropy)损 失函数;对于多分类问题,可以用分类交叉熵(categorical crossentropy)损失函数;对于回归 问题,可以用均方误差(mean-squared error)损失函数;对于序列学习问题,可以用联结主义 时序分类(CTC,connectionist temporal classification)损失函数
2.
3.测试集数据不用于训练:
4
二分类:
使用 binary_crossentropy 损失函数时,在这个二分类问题中,比较的应该是两个一维向量吧!
5。输入数据的标准化:
6。
7。标量回归:
8.数据少时,不采用数据集和测试集的划分,而是使用K折交叉验证:
7.history:
8.数据处理,向量化
9,标签向量化(one_hot())也行吧:
多分类问题:
交叉熵输入为整数时使用的一个函数,(自己之前试过,整数用mook那个交叉熵函数会不对):
多分类问题的小结:
回归问题的小结: