Ich benutze DNN von tflearn, und ich möchte meine Funktionen und Etiketten zu kategorischen und nicht numerisch ändern.TFlearn zu kategorisieren
hier ist mein Netz:
x = tf.placeholder(dtype= tf.float32, shape=[None, 6], name='x')
# Build neural network
input_layer = tflearn.input_data(shape=[None, 6])
net = input_layer
net = tflearn.fully_connected(net, 128, activation='relu')
net = tflearn.fully_connected(net, 64, activation='relu')
net = tflearn.fully_connected(net, 16, activation='relu')
net = tflearn.fully_connected(net, 2, activation='sigmoid')
net = tflearn.regression(net, optimizer='adam', loss='mean_square', metric='R2')
w = tf.Variable(tf.truncated_normal([2, 2], stddev=0.1))
b = tf.Variable(tf.constant(1.0, shape=[2]))
y = tf.nn.softmax(tf.matmul(net, w) + b, name='y')
model = tflearn.DNN(net, tensorboard_verbose=3)
return model
ich über tflearn.data_utils.to_categorical wissen, aber ich weiß nicht, wie diese Methode zu injizieren. dank
EDIT: Ich habe versucht, einige Dinge, wie:
train_goal = tflearn.data_utils.to_categorical(train_goal, nb_classes=2)
test_goal = tflearn.data_utils.to_categorical(test_goal, nb_classes=2)
und auch den Verlust ändern:
net = tflearn.regression(net, optimizer='adadelta', loss='categorical_crossentropy', metric= self.accuracy)
aber ich habe Verlust mehr als 1:
Training Step: 35 | total loss: 1.64734 | time: 1.322s
| AdaDelta | epoch: 001 | loss: 1.64734 - acc: 1.0000 | val_loss: 1.64313 - val_acc: 1.0000 -- iter: 2204/2204
--
Training Step: 70 | total loss: 1.61961 | time: 0.216s
| AdaDelta | epoch: 002 | loss: 1.61961 - acc: 1.0000 | val_loss: 0.00000 - val_acc: 0.0000 -- iter: 2204/2204
--
Training Step: 105 | total loss: 1.58511 | time: 1.188s
| AdaDelta | epoch: 003 | loss: 1.58511 - acc: 1.0000 | val_loss: 1.57300 - val_acc: 1.0000 -- iter: 2204/2204
wo ist die Problem?