Неверный вывод функции предсказания в тензорном потоке

Question

Я собираюсь выполнить на основе пиксельной классификации. Вот код, который я использовал для обучения NN

net = input_data(shape=[None, 1,4]) 
net = tflearn.lstm(net, 128, return_seq=True) 
net = tflearn.lstm(net, 128) 
net = tflearn.fully_connected(net, 1, activation='softmax') 
net = tflearn.regression(net, optimizer='adam', 
         loss='categorical_crossentropy') 
model = tflearn.DNN(net, tensorboard_verbose=2, checkpoint_path='model.tfl.ckpt') 
X_train = np.expand_dims(X_train, axis=1) 
model.fit(X_train, y_train, n_epoch=1, validation_set=0.1, show_metric=True,snapshot_step=100) 

Проблема заключается в том, что после обучения модели, результат p.array (model.predict (x_test)) является 1 только, хотя я ожидал, что это будет либо 2 или 3. В одном примере, когда у меня было 4 класса объектов, и я ожидал, что результат этой команды будет меткой между 2 и 5 (обратите внимание: y_train имеет значения int от 2 до 5), но опять же результат предсказания функция 1. Это может быть проблема фазы обучения?

Answer 1

Параметр None используется для обозначения разных примеров обучения. В вашем случае каждое изображение имеет в общей сложности 28*28*4 параметров из-за пользовательского четырехканального набора данных, который вы используете.

Чтобы сделать эту LSTM работу, вы должны попытаться сделать следующее -

X = np.reshape(X, (-1, 28, 28, 4)) 
testX = np.reshape(testX, (-1, 28, 28, 4)) 

net = tflearn.input_data(shape=[None, 28, 28, 4]) 

Конечно, (это очень важно), убедитесь, что reshape() ставит четыре различные каналы, соответствующие одной пиксель в последнем измерении массива numpy, а 28, 28 соответствуют пикселям в одном изображении.

---

В случае, если ваши изображения не имеют размерность 28*28, настроить эти параметры соответственно.