MNIST上的二进制分类:损失和精度仍然很高
MNIST（Modified National Institute of Standards and Technology）是一个手写数字图片数据集，通常用于机器学习和深度学习模型的训练和评估。MNIST数据集包含60,000个训练样本和10,000个测试样本，每个样本都是一个28x28像素的灰度图像，表示了一个手写数字的0到9。
二进制分类是指将MNIST数据集中的手写数字图像分为两个类别，例如将数字0和数字1分开。损失和精度是评估模型性能的指标。
对于MNIST上的二进制分类任务，可以使用各种机器学习和深度学习算法来解决。常见的方法包括逻辑回归、支持向量机、决策树、随机森林、卷积神经网络（CNN）等。
针对该任务，可以采取以下步骤进行解决：
- 数据预处理：将MNIST图像数据进行加载和预处理，例如将图像像素值归一化到0到1之间，将图像转换为适合模型输入的格式。
- 模型构建：选择适当的机器学习或深度学习算法构建模型。例如，在深度学习中，可以使用卷积神经网络（CNN）模型来提取图像特征并进行分类。
- 模型训练：使用训练集对模型进行训练。通常使用反向传播算法来优化模型参数，使模型能够准确地预测训练样本的标签。
- 模型评估：使用测试集对训练好的模型进行评估。计算损失和精度等指标来衡量模型在二进制分类任务上的性能。
腾讯云提供了一系列与云计算相关的产品和服务，可以用于支持MNIST上的二进制分类任务。以下是一些可能适用的产品和介绍链接：
- 云服务器（Elastic Compute Cloud, EC2）：提供虚拟计算资源，用于训练和部署机器学习和深度学习模型。链接：https://cloud.tencent.com/product/cvm
- 人工智能引擎（AI Engine）：提供了一系列与人工智能相关的服务，包括图像识别、自然语言处理等。链接：https://cloud.tencent.com/product/aiengine
- 数据库服务（TencentDB）：提供可扩展的、高性能的数据库服务，可用于存储和管理MNIST数据集。链接：https://cloud.tencent.com/product/cdb
- 存储服务（Cloud Object Storage, COS）：提供安全可靠的对象存储服务，适用于存储和管理MNIST数据集、模型文件等。链接：https://cloud.tencent.com/product/cos
请注意，本回答仅涵盖了腾讯云的部分产品和服务，仅供参考。在实际应用中，还可以根据具体需求选择适合的产品和服务来支持MNIST上的二进制分类任务。
相关·内容
2回答
我试图在Pascal 2012数据集上对VGG-16进行培训，该数据集有20个标签的图像(给定的图像可以有多个类)。这些例子是高度不平衡的，所以我已经“平衡”了它们，使得每个标签在培训集中的表示大致相等。
但这意味着，对于每个标签，5%的总图像是积极的例子和95%的阴性样本。没有办法实现对所有班级的50/50的分割。
我在最后的VGG层使用二进制交叉熵损失和sigmoid激活，因为这是一个多标签问题。二进制的准确性看起来很高，但是实际上，对于任何给定的类，结果都是相当令人沮丧的(大约15%的回忆)。该分类器不适合于正示例，而且偏向于报告负结果，因为这与数据分布相匹配(非常少的阳性样本)。
在这
浏览 0提问于2020-07-20得票数 1
我使用Tensorflow为MNIST数据集实现了一个简单的模型。
以下是模型：
X = tf.placeholder(tf.float32, [None, 784])
Y_ = tf.placeholder(tf.float32, [None, 10])
W = tf.Variable(tf.random_normal(shape=[784, 10], stddev=0.01), name="Weigths")
b = tf.Variable(tf.zeros([1,10]), name="Bias")
Y = tf.nn.softmax(tf.add(t
浏览 2提问于2017-06-22得票数 0
回答已采纳
1回答
我试图预测构建性能的标签：{1，0}。因为这是二进制分类，所以我尝试了使用Xavier初始化的sigmoid和identity激活函数。然而，我不能提高我的模型的准确性，因为损失和准确性停留在训练后的每一个时代。这是一个非常不平衡的数据集，其中90%的数据集占多数。所以，我想这可能是由于最初的偏见。你能帮我弄一下这个吗？您可以看到培训过程的设置和附加的其他相关图像。、、
浏览 8提问于2022-06-25得票数 -1
1回答
我正在运行MNIST神经网络示例，在训练分类器时，验证损失列(和训练损失)有一些绿色突出显示的值。如果我的学习率是0.01，所有的都是绿色的，但是如果我把它提高到0.1，其中只有一半是突出显示的。
如果有什么意义的话，这种突出显示意味着什么？
输出示例：
浏览 3提问于2017-03-09得票数 2
回答已采纳
4回答
我正在CloudML上使用MNIST的分布式版本，我不确定要理解在培训阶段显示的日志：
INFO:root:Train [master/0], step 1693: Loss: 1.176, Accuracy: 0.464 (760.724 sec) 4.2 global steps/s, 4.2 local steps/s
INFO:root:Train [master/0], step 1696: Loss: 1.175, Accuracy: 0.464 (761.420 sec) 4.3 global steps/s, 4.3 local steps/s
INFO:root:Eval,
浏览 3提问于2016-10-28得票数 1
回答已采纳
2回答
我的学习曲线是否过正？
、、、、
我正致力于多分类任务(总共6个班)，并获得了几乎完美的训练和测试的准确性(超过99%)的基础上，我的训练cnn模型。我想知道，我受过训练的模特是否有过度适应的问题。附件是该模型的损失和准确性的学习曲线。整个训练数据集包含大约30k样本，训练与验证数据的比率为4:1。我的损失曲线是否显示过拟合？
浏览 7提问于2022-10-10得票数 -1
回答已采纳
1回答
我正在用tensorflow做一些测试，我无意中发现了一种非常奇怪的行为。这是我的密码
fashion_mnist = tf.keras.datasets.fashion_mnist
(train_images1, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
train_images = train_images1[:32] / 255.0
train_labels = train_labels[:32]
test_images = test_images / 255.0
batch_size =
浏览 0提问于2021-02-09得票数 0
回答已采纳
1回答
通过纸质Continual Learning Through Synaptic Intelligence，我看到了拆分MNIST基准测试的这个数字，但是有一点我可以得到。
📷
这里有5项任务，最后我们总结了这5项任务的平均精度。
在这里，如何执行任务。当我们首先学习如何对0和1进行分类时，它们是否按顺序执行，然后在下一个任务中，我们期望模型也可以分类2和3、4和5等等。
在这里，另一个问题是，在每个图的水平轴上，有5个任务，为什么我们执行，例如，对5个任务执行任务1 (0和1)。有人能帮我澄清这一点吗？
浏览 0提问于2019-06-19得票数 3
代码在python 3.5.2中，包含张量流。神经网络返回的精度介于.10和5.00之间，较高的值倾向于训练数据的精度约为6倍。我无法判断神经网络是否比随机猜测做得更糟糕，或者我所使用的精确代码是否有严重的错误。
神经网络由5层组成：
输入
conv1 (使用最大池relu和退出)
conv2 (使用最大池relu和退出)
完全连接(与relu)
输出
使用默认的Adam优化器
我对我的精确计算感到非常怀疑，因为我所做的与我所看到的不同，因为RAM的限制。精度计算既能保证列车的精度，又能保证试验数据的准确性。
acc_total = 0
浏览 2提问于2017-01-18得票数 0
2回答
在Keras中，当训练和评估神经网络模型(对两个类别(0和1)进行分类)时，该模型返回训练和测试的损失和准确性：
model.compile(loss="categorical_crossentropy", optimizer="adam", metrics=['accuracy'])
这种准确性代表了什么？它是两个类别的平均精度还是两个类别之一的精度？
浏览 0提问于2017-06-28得票数 1
如果我有一个有监督的学习系统(例如，对于MNIST数据集)，我就有特征( MNIST数据的像素值)和标签(正确的数字值)。
然而，有时人们使用目标一词(而不是标签)。
目标和标签可以互换吗？标签只是用于分类吗？分类和回归的目标？
浏览 0提问于2019-01-16得票数 12
回答已采纳
2回答
我正在使用PyTorch基于MINST数据集创建一个二进制分类器。我希望我的分类器只在0和1之间分类，然而，当我训练它时，错误并没有减少，损失变成了负值。以下是前几次迭代中的错误和损失：
我显然是在期待更好的结果。
下面是我使用的代码：
# Loading the MNISR data reduced to the 0/1 examples
from torchvision import datasets, transforms
from torch.utils.data import DataLoader
mnist_train = datasets.MNIST(".
浏览 37提问于2020-08-02得票数 0
我正在尝试对一系列像这样的图像进行分类，每一类图像都是从相似的细胞结构中获取的：
为此，我在Keras中构建了一个简单的网络，结构如下：
1000 - 10
未改变的网络在MNIST分类上实现了非常高的准确率(>90%)，但在这些类型的图像上几乎从未超过5%。这是因为它们太复杂了吗？我的下一个方法是尝试堆叠式深度自动编码器。
浏览 3提问于2016-04-17得票数 6
1回答
我已经训练了一个RNN/LSTM模型。我想解释我的模型结果，在绘制了图表的损失和准确性(b/w培训和验证数据集)。
如果我只向模型提供部分输入，我的目标是对标签进行分类(0或1)。以这种方式我进行了训练。
Train_Validate_Test_Split
Train 80% ; Validate 10 % ; Test 10%
X_train_shape : (243, 100, 5)
Y_train_shape : (243,)
X_validate_shape : (31, 100, 5)
Y_validate_shape : (31,)
X_test_shape : (28, 1
浏览 0提问于2019-07-22得票数 0
回答已采纳
4回答
我创建了三个不同的模型，使用深度学习进行多类分类，每个模型都给了我不同的准确性和损失价值。测试模型的结果如下：
第一种型号:精确度: 98.1%损失: 0.1882
第二种模式:精确度: 98.5%损失: 0.0997
第三种模式:准确性: 99.1%损失: 0.2544
我的问题是：
损失和精确值之间的关系是什么？
为什么即使精度较高，第三种模型的损失也较高？
浏览 0提问于2018-12-14得票数 38
我正在处理图像数据集，其中我有一个热编码标签。标签向量的形状为(3500,8)。当我在输出层尝试分类交叉熵和softmax函数时，我的准确率很低。但是当我使用二进制交叉熵和sigmoid时，我的准确率提高了。
以前，我认为对于多类分类，我们应该使用softmax和分类交叉熵。
但在中，我看到了sigmoid和二进制交叉熵的使用。
我想知道这是一种正确的方法吗？
有人能给我这个概念的洞察力吗？
浏览 0提问于2019-12-13得票数 0
我正在为我的训练和验证集使用ImageDataGenerator(validation_split).flow_from_directory(subset)。因此，训练和验证数据都有自己的生成器。 训练完数据后，我在验证生成器上运行model.evaluate()，获得了大约75%的准确率。但是，当我在相同验证生成器上运行model.predict()时，准确率下降到1%。 该模型是一个基于分类交叉损失和精度度量的多类CNN，这些指标应默认为分类精度。# Edit:无论如何更改为分类准确性。 # Compile
learning_rate = tf.keras.optimizers.sch
浏览 144提问于2020-06-24得票数 0
回答已采纳
代码摘自。此函数在MNIST数据集上运行操作，MNIST数据集是0-9手写图片的数据集。为什么把标签投给int64，我觉得int32就足够了。
def loss(logits,labels):
labels = tf.to_int64(labels)
cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(
logits,labels,name='xentropy')
loss = tf.reduce_mean(cross_entropy,name='xentr
浏览 1提问于2016-12-15得票数 2
回答已采纳
2回答
如何提高分类器的准确性？
、、、、
我正在使用OpenCV letter_recog.cpp示例在随机树和其他分类器上进行实验。这个例子有六个分类器的实现-随机树，Bayes，MLP，kNN，朴素贝叶斯和支持向量机。使用了20000个实例和16个特征的UCI字母识别数据集，我将该数据集分成两部分进行训练和测试。我有支持向量机的经验，所以我很快将它的识别错误设置为3.3%。经过一些实验，我得到的是：
UCI字母识别：
RTrees - 5.3%
升压- 13%
MLP - 7.9%
kNN(k=3) - 6.5%
Bayes - 11.5%
支持向量机- 3.3%
使用的参数：
RTrees - max_num_of_trees_
浏览 0提问于2014-07-16得票数 22
回答已采纳
1回答
我正在自学有关tf.data API的知识.我使用MNIST数据集进行二进制分类。训练x和y数据在完整的train_dataset中压缩在一起。与此zip方法链接在一起的首先是batch()数据集方法。数据批次的批次大小为30。由于我的训练集大小为11623，批号为128个，我将有91批。最后一批的大小将是103，这是好的，因为这是LSTM。另外，我使用的是退出。当我计算批处理的准确性时，我正在关闭丢弃。
全文如下：
#Ignore the warnings
import warnings
warnings.filterwarnings("ignore")
import pa
浏览 0提问于2018-11-23得票数 2
回答已采纳
1回答
我在python中从零开始制作了一个卷积神经网络来分类MNIST手写数字(集中式)。它由8个3x3核的单卷积网络、2x2个最大池层和一个以softmax为激活函数的10个节点密集层组成。我使用交叉熵损失和SGD。
当我把整个训练集训练成一个批次大小为1的时代时，我的准确率为95%。然而，当我尝试一个较大的批次大小(16，32,128)时，学习变得非常嘈杂，最终的准确率在47%-86%之间。为什么我的网络在小批量上表现得如此糟糕和喧闹？
浏览 0提问于2021-02-04得票数 0
1回答
使用散列函数验证浮点计算
、、、
像SHA-2这样的散列函数被广泛用于验证数据传输或验证加密整数计算。
是否可以使用散列函数来验证浮点计算，例如物理模拟。换句话说，让浮点计算在多个平台上保持一致是可能的，也是可行的吗？
如果前一个问题的答案是“否”，考虑到计算是精心设计的，那么可能会以较低的精度对数据进行散列，同时仍然可以在验证中获得很高的置信度。有没有任何正在进行的项目试图实现这一点？
浏览 33提问于2021-11-28得票数 0
1回答
我使用α-LMS算法为MNIST数据集制作分类器.
我只在预测的输出与期望的输出不匹配时更新权重，下面是更新权重的方法：
我希望在每次迭代中，残差会下降(并且精度会上升)(不是吗？)
虽然总体精度似乎在上升，但在某些迭代中，算法会倒退。
我需要知道这个算法中出现的挫折是否正常，如果是这样的话？
浏览 4提问于2016-11-19得票数 1
回答已采纳
我想要“连接”数字来为对象元组创建临时I，但我担心的是精度损失和舍入错误。下面的查询表明，舍入至少不超过10^27。
select t.remvalue, t.logvalue, t.totvalue, (t.totvalue - 1000000000*1000000000 ) as diffvalue18, (t.totvalue - 1000000000*1000000000*1000000000 ) as diffvalue27 from (
select 1 as remvalue, 9 as logvalue, 1000000000 + 1 as totvalue from dua
浏览 0提问于2019-03-27得票数 0
我正在尝试在MNIST数据集上实现SVM分类器。由于我的参数是3维的，它抛出了以下错误：
ValueError: Found array with dim 3. Expected <= 2
以下是我的代码片段：
import mnist
from sklearn import svm
training_images, training_labels = mnist.load_mnist("training", digits = [1,2,3,4])
classifier = svm.SVC()
classifier.fit(training_images, traini
浏览 1提问于2015-10-16得票数 11
回答已采纳
我对数据科学比较陌生，对如何测量多类神经网络的精度感到困惑。我正在建立的模型试图用20种不同的结果来预测某一特定事件的结果--标签中有些不平衡，最频繁的标签大约占总数的15%，最少的频率约为1%。我试图分类的事件很难预测，我对所有事件的准确率约为20%感到满意--然而，我担心，当我做到这一点时，我的模型将只是一直预测最频繁的类，并在其他事件中获得足够的运气，从而将总体准确率提高到20%。我正在使用角角‘分类交叉熵’损失函数和‘准确性’度量-这些是最适合这个问题吗？其他哪些指标最适合这样的问题？很高兴能参考文献来帮助我建立对这个问题的理解。
我理解二进制分类的混淆矩阵，然而对于多类分类，我不知道
浏览 0提问于2020-10-26得票数 1
回答已采纳
1回答
我正在学习神经网络，我在Keras中构建了一个简单的神经网络，用于从UCI机器学习存储库中对虹膜数据集进行分类。我使用了一个包含8个隐藏节点的隐藏层网络。Adam优化器的学习速率为0.0005，运行时间为200个历代。在输出端采用软最大值，损耗作为交叉熵.我得到了以下学习曲线。
正如你所看到的，精确性的学习曲线有很多平坦的区域，我不明白为什么。误差似乎在不断减少，但准确性似乎没有以同样的方式增加。精确学习曲线中的平坦区域意味着什么？为什么即使误差似乎在减小，这些区域的精度却没有提高？
这是正常的训练，还是更有可能是我在这里做错了什么？
dataframe = pd.read_csv(
浏览 1提问于2017-12-14得票数 19
回答已采纳
1回答
我正在创建一个机器学习模型来对数字图像进行分类。我使用Tensorflow和Keras使用内置的tf.keras.datasets.mnist数据集对模型进行了培训。该模型可以很好地处理来自mnist数据集本身的测试映像，但我想为它提供自己的映像。我提供给这个模型的图像是从Captcha中提取出来的，因此它们将遵循类似的模式。我已经在公共谷歌驱动器文件夹中提供了一些图片示例。当我输入这些图像时，我注意到模型不是很精确，我对原因有一些猜测。
图像的背景在图像中产生了太多的噪音。
数字没有居中。
该图像在MNIST训练集(黑色背景白色文本)的颜色格式中并不严格。
我想问的是，我
浏览 0提问于2019-07-12得票数 1
回答已采纳
我在研究一个二元分类问题。假设A和B类，但问题是A和B类的先验分布大约是90%和10%。所以我尝试过的大多数分类算法，它们倾向于将大多数案例分类为A类，尽管0/1的准确率很高，但是B类的分类精度和召回率是可怕的。我怎么才能改变这个？
浏览 2提问于2013-09-18得票数 2
回答已采纳
1回答
我在我的数据集上使用tensorflow对象检测api。我使用的是ssd-resnet50-fpn模型。在训练过程中，我看到分类损失和本地化损失已经收敛，但总损失仍在减少。另外，总损失也不是分类损失和定位损失的总和。任何关于为什么会发生这种情况的想法。我正在使用object_detection/ train.py /文件夹中的遗留文件来训练我的数据集。附图相同。
浏览 11提问于2020-02-25得票数 0
我正在寻找一种神经网络体系结构，它在图像分类挑战中提供了相当好的性能，并且在一个框架中仍然很容易实现，而且训练速度也相当快。你有什么建议吗？
我是新的神经网络实现，最后，我想做一些“研究风格”玩它。
此外，指向图像分类数据集的指针对于一个简单的网络来说并不太难。然而，MNIST并不像MNIST那样简单，几乎所有的分类器都做得很好。
如果我想修改网络的训练方式，你推荐哪种神经网络框架？
浏览 0提问于2017-07-29得票数 1
1回答
我有大约5年的数据索引，包含了许多功能的基础上，每天。我想对指数在下一个交易日是上移还是下移进行分类(上下移动取决于第二天的开盘/收盘价)。对于这种分类，我使用的是SVM分类器。哪些是需要遵循的基本步骤？我想，既然我使用的是财务数据，就会偏离传统的机器学习方法。我想到以下步骤：
准备包含手头和方向变量的所有功能的数据.
特征工程：这是使用日志等转换来创建各种特性，对各种可用特性进行%更改。我还没有融入这个步骤，但当我有一个像样的运行模型时，我会在稍后完成它。
特征选择:如何做到这一点？我首先使用的是我认为具有预测能力的各种特性，但如何系统地进行。
向前走造型：在选择了特性之后，我就有了用于我的
浏览 0提问于2021-03-17得票数 0
1回答
我有41个样本和6个预测因子的数据集。在Matlab中，我使用了树作为分类树。尽管oob误差很高，但该模型对41个标签进行了准确的预测。
但在此基础上，我尝试用k折叠交叉验证模型，验证准确率仅为41%。我对此感到困惑。
我的另一个问题是，当我试图交叉验证一个已经建立的集成模型时，k折叠算法是如何工作的。任何帮助都会很感激的。
浏览 0提问于2018-04-02得票数 0
回答已采纳
我正在阅读 Tensorflow教程关于tf.keras的时装MNIST分类。虽然这是一个图像分类问题，但它们的训练只有密集的层和软件：
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28, 28)),
keras.layers.Dense(128, activation='relu'),
keras.layers.Dense(10)
])
我检查了一下自己，它训练得很快，并且达到了很高的精度。问题是，他们是如何在没有卷积的情况下做到这一点的，仅仅是矩阵乘法和关系？我认为至少可以
浏览 1提问于2020-02-14得票数 1
回答已采纳
1回答
我遵循Tensorflow文档来实现线性分类器，但是我喜欢使用自己的数据而不是教程集。我只想问几个一般性问题。
我的数据集如下。这不是时间序列。
行浮点数(改为二进制，0=负，1=正)值估计
row1 - string (范畴化，改为词汇表，ints 1,2,3,4,5,6,7,8,9)
行2-19-浮点数(正和负)
第20-60组-国家统计局(百分位数，10，20，30，40，50，60，60，70，80，90)
第61-95-INT(二进制1，0)
我首先使用50k (45k训练)行数据和num_epochs=100、batch_size=256。
{'accuracy'
浏览 2提问于2020-10-24得票数 2
我从GANs开始，我正在MNIST数据集上训练一个DC-GAN。我想使用Frechet初始距离(FID)来评估我的模型。
由于盗梦空间网络没有对MNIST数字进行分类训练，我可以使用任何简单的MNIST分类器吗?或者对于我需要使用的分类器有什么条件？还是我应该只使用盗梦空间网络？我还有几个问题
计算MNIST GAN的FID有意义吗？
计算FID时应使用多少来自真实数据集的图像？
对于我使用的分类器，我是按10^6的顺序得到FID的。这个价值还好吗?还是有什么可怕的错误？
如果你能回答这些问题中的任何一个，即使是部分的，那对我会有很大的帮助。谢谢!
浏览 3提问于2019-07-24得票数 4
回答已采纳
1回答
我遵循来构建一个简单的MNIST分类网络。我想绘制同样的损失和精确曲线。我看到了，得到了一个很好的损失曲线。但我想不出怎么做才能保证准确性。我在optimise function中尝试了以下代码
session.run(optimizer, feed_dict=feed_dict_train)
if i % 100 == 0:
loss=session.run(cost, feed_dict=feed_dict_train)
acc = session.run(accuracy, feed_dict=feed_dict_train)
loss_list.append(l
浏览 0提问于2019-03-14得票数 2
回答已采纳
我对这门语言有点陌生，但我已经掌握了基础知识。
我想要的是:持有止损头寸并获利了结。
我想下100欧元的订单，我想将止损设置为10欧元，并将获利回吐设置为5欧元。但在我看来，OrderSend方法需要大量的下单，以及止损和获利的水平。
我的问题是:如何根据我想要设置的欧元金额来计算这些值？
我在网上搜索了一些lot-pip-etc计算，但毕竟我尝试的都不起作用。这就是我想要的计算方式：
double AmountToTradeInEuro = 100;
double AmountToTakeInEuro = 5;
double AmountToMaxLossInEuro = 10;
doubl
浏览 3提问于2018-05-18得票数 0
我打算学习使用SVD的PCA，因此实现了它，并试图在MNIST数据上使用它。
import numpy as np
class PCA(object):
def __init__ (self, X):
self.N, self.dim, *rest = X.shape
self.X = X
'''
U S V' = svd(X)
'''
X_std = (X - np.mean(X, axis=0))/(np.std(X, a
浏览 1提问于2017-11-10得票数 1
回答已采纳
这个问题很简单，我是这个领域的新手，在StackOverFlow上找不到一个令人满意的答案。
问题本身-准确率单位显然是百分比(%)，但损失和验证损失单位是什么？它们与准确性有何关系？我该如何使用它们？他们通常的基准目标是什么？问题是HTR/OCR字符分类。
例如，这是第16个型号损失0.07和val损失0.09，他们真正的意思是什么？
浏览 0提问于2020-01-05得票数 1
1回答
一般说来，是否有可能判断在Z期的Y训练示例上训练一个给定的X深度神经网络是否可能过于合适？或者，只有通过查看训练和测试集的丢失和精确图，才能确定是否存在过拟合？
具体来说，我有250,000个例子，每个例子都是一个平面图像200x200px。该模型是一个CNN，约有5个卷积+池层，其次是2个密集层，每个单元1024个单元。该模型对12个不同的类进行了分类。我已经训练了大约35个小时，训练集的准确率达到了90%，测试集的准确率也达到了80%。
浏览 3提问于2017-12-16得票数 4
回答已采纳
1回答
我尝试使用在线(学习算法用于MNIST问题使用，但它似乎并不总是提高准确性。
在这种情况下我该怎么办？以最好的精确度保存分类器？SGDClassifier是否收敛到最优解？
这是我的代码：
import numpy as np
from sklearn.linear_model.stochastic_gradient import SGDClassifier
from sklearn.datasets import fetch_mldata
from sklearn.utils import shuffle
#use all digits
mnist = fetch_mldata("
浏览 4提问于2013-09-19得票数 1
回答已采纳
1回答
在训练神经网络时，在时尚mnist数据集上，我决定在输出层中有比数据集中的类数量更多的节点。
dataset有10个类，而我训练我的网络在输出层中有15个节点。我还用了软件。
令人惊讶的是，这给了我97%的准确度，这是相当好的。
这就引出了一个问题，这些额外的5个节点意味着什么，它们在这里做什么？
为什么当标签范围(0-9)不等于节点数(15)时，我的softmax能够正常工作？
最后，一般来说，在分类任务中，在输出层中拥有比类数量更多的节点意味着什么？
我理解拥有比类数少的节点的效果，而且经验法则是使用节点数=类数。然而，我从未见过有人使用更多的节点，我想了解为什么/为什么不使用。
我附加了
浏览 2提问于2020-08-29得票数 2
回答已采纳
我最近读到：
“AUC (AUC曲线下面积)有利于分类问题的分类，如果你的任务是从语音中检测痴呆，99%的人没有痴呆，只有1%的人有痴呆。那么你可以提交一个分类器，它总是输出”无痴呆“，达到99%的准确率。看起来你的99%的精确分类器很好，而实际上它是完全无用的。使用AUC评分，你的分类器将得到0.5分。”
有人能解释一下为什么它达到0.5吗？如果99%是负的，而且我们总是输出“否”，那是不是意味着TruePositiveRate会很高，FalsePositiveRate会很低，导致曲线下的面积接近1？
浏览 0提问于2019-11-15得票数 1
我不知道在下面的代码中，我如何评估每一个时代的训练精度和测试精度？此CNN用于MNIST分类，代码从TensorFlow教程复制而来。
它似乎只记录了每一个时代的损失，我找不到一种方法来增加代码的准确性。我怎么能这么做？
def cnn_model_fn(features, labels, mode):
"""Model function for CNN."""
# Input Layer
input_layer = tf.reshape(features["x"], [-1, 28, 28, 1])
# Con
浏览 4提问于2017-11-24得票数 1
回答已采纳
1回答
我有2类数据A和C。我想要创建一个具有3个输出节点的NN，将数据分类为A、B或C。正确地对A或C进行分类应该是零成本(非常好)。将A分类为C或反之亦然，成本应该很高(非常糟糕)。然而，对于“模糊”的样本，我想将它们归类为B，这将有相对较低的成本(比错误分类好，但仍然不理想)。我是tensorflow的新手，对定义成本函数的不同方法感到不舒服。有人能为我指出正确的方向吗？提前感谢
浏览 0提问于2017-01-10得票数 1
2回答
分类链
、
我的问题是如何创建分类链
我正在处理的问题是一个多类问题，在这里我必须分配7个可能的类中的一个。
为此，我开始训练一个基于随机森林的分类器，结果没有那么好。人们对95%+的期望是精确的，而我当时只有79岁。
所以我开始为每堂课训练7个不同的分类器。当我参加第一班时，为了训练的目的，我把其他班级的班级标签转换为“其他”。
通过这个过程，单个分类器的性能注册了~ 95%+。
然后我想，可以用一种最精确的模型首先尝试分类的方式来链接分类器(以瀑布的方式)，其次是最精确的在行上进行预测，第三种是最精确的，等等。培训过程仍然相同(与7个分类器相同)。
具体来说，我们假设分类器1在100行上进行预测，发现
浏览 0提问于2015-10-29得票数 6
我几乎读过大多数类似的问题，但我还没有找到我的问题的答案。
假设我们有四个不同标签/类的n样本，即A、B、C和D。我们训练了两个分类器：
First classifier：我们训练多类分类器，将数据中的样本分类为四类中的一种。假设模型的精度是%x。
Second classifier：现在，假设我们所关心的是，如果一个样本是A或者不是A，那么我们会训练一个二进制分类器，用于将样本分类为A或非A。假设这个模型的精度是%y。
我的问题是，我们是否可以比较x和y来衡量分类器在分类A上的性能？换句话说，多类分类器的高性能是否意味着该分类器也能够识别具有高性能的单个类？
现实世界的例子是，我在一个包含四
浏览 0提问于2020-07-31得票数 2
回答已采纳
1回答
我正在尝试做的是预测信用风险，具有20个输入和1个二进制输出的数据集。只要是分类问题(两类:正信用风险和负信用风险)，我决定采用TensorFlow分类代码示例，并对其进行修改以使用csv数据集。
所以在最后，我期望输出为1或0。然而，我得到的数字甚至不是很接近。例如：[-561.7623291]
PS:产生的列是第一列。
下面是我的Python TensorFlow代码：
from __future__ import print_function
import tensorflow as tf
import csv
import numpy as np
# Import MNIST dat
浏览 4提问于2017-03-08得票数 0
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
实时音视频
云直播活动推荐
腾讯云开发者
