构建序列
simple_seq= [x for x in list(range(1000)) if x % 3 == 0]
整形和分割后
x_train, x_test shape = (159, 5, 1)
y_train, y_test shape = (159, 2)
型号
model = Sequential(name='acc_test')
model.add(Conv1D(
kernel_size = 2,
filters= 128,
strides= 1,
use_bias= True,
activation= 'relu',
padding='same',
input_shape=(x_train.shape[1], x_train.shape[2])))
model.add(AveragePooling1D(pool_size =(2), strides= [1]))
model.add(Flatten())
model.add(Dense(2))
optimizer = Adam(lr=0.001)
model.compile( optimizer= optimizer, loss= 'mse', metrics=['accuracy'])
列车
hist = model.fit(
x=x_train,
y = y_train,
epochs=100,
validation_split=0.2)
结果是:
Epoch 100/100
127/127 [==============================] - 0s 133us/sample - loss: 0.0096 - acc: 1.0000 - val_loss: 0.6305 - val_acc: 1.0000
但如果用这个模型来预测:
x_test[-1:] = array([[[9981],
[9984],
[9987],
[9990],
[9993]]])
model.predict(x_test[-1:])
result is: array([[10141.571, 10277.236]], dtype=float32)
如果结果与事实相去甚远,那么VALU acc怎么可能是1呢
step 1 2
true [9996, 9999 ]
pred [10141.571, 10277.236]
根据你的真实/预测值和使用损失的范围-看起来你是在试图解决回归问题,而不是分类问题
所以如果我理解正确的话-你是在根据输入预测两个数值-而不是预测,两个类中哪一个对这些输入有效
如果是这样-你不应该使用精度度量。因为它只会比较每个输入样本/预测的最大输入索引(稍微简化)。例如9996<;9999和10141.571<;10277.236.
精度度量仅对分类任务有效。因此,如果在回归任务中使用精度作为度量,则报告的度量值可能根本无效。从你的代码,我觉得你有一个回归任务,所以这不应该被使用
下面是您可以在Keras中使用的关于回归问题的度量的列表
您可以在link阅读一些理论,并在link查看一些keras示例代码
抱歉,时间有点短,但我相信这些链接确实会对您有所帮助。:)
相关问题 更多 >
编程相关推荐