Neuronales Netzwerk gibt die gleiche Klassenbezeichnung für zwei Klassen zurück

Question

Ich verwende ein neuronales Netzwerk von this Website für die On-Fly-Klassifizierung von Myo Armband Gesten (neuronales Netzwerk ist auf meinem eigenen Datensatz trainiert). Im Moment habe ich alles, was Myo verwendet, aufgrund des Problems entfernt: Dieses Programm gibt für jede Zeile in einem Dataset, das ich zum Testen verwende, dieselbe Klassenbezeichnung zurück. Wie kann das behoben werden? Gibt es auch eine Möglichkeit, eine On-Fly-Klassifizierung durchzuführen (Myo sendet einen Vektor mit 8 Zahlen) (Ich habe Zweifel, weil der Datensatz von minmax zweidimensional sein muss)?

---

Hier ist der Code:

from math import exp 


# Calculate neuron activation for an input 
def activate(weights, inputs): 
    activation = weights[-1] 
    for i in range(len(weights)-1): 
     activation += weights[i] * inputs[i] 
    return activation 


# Transfer neuron activation 
def transfer(activation): 
    return 1.0/(1.0 + exp(-activation)) 


# Forward propagate input to a network output 
def forward_propagate(network, row): 
    inputs = row 
    for layer in network: 
     new_inputs = [] 
     for neuron in layer: 
      activation = activate(neuron['weights'], inputs) 
      neuron['output'] = transfer(activation) 
      new_inputs.append(neuron['output']) 
     inputs = new_inputs 
    return inputs 


# Make a prediction with a network 
def predict(network, row): 
    outputs = forward_propagate(network, row) 
    return outputs.index(max(outputs)) 


def dataset_minmax(dataset): 
    stats = [[min(column), max(column)] for column in zip(*dataset)] 
    return stats 


# Rescale dataset columns to the range 0-1 
def normalize_dataset(dataset, minmax): 
    for row in dataset: 
     for i in range(len(row) - 1): 
      row[i] = (row[i] - minmax[i][0])/(minmax[i][1] - minmax[i][0]) 


def make_predictions(): 
    dataset = [[29,46,107,324,56,44,121,35,1], 
      [29,46,109,327,51,37,123,38,1], 
      [28,42,107,309,55,32,124,38,1], 
      [40,112,287,59,35,121,36,1], 
      [27,43,129,306,75,41,107,38,1], 
      [28,38,127,289,79,40,109,37,1], 
      [29,37,126,292,77,35,100,34,1], 
      [30,40,87,48,77,51,272,80,2], 
      [26,37,88,47,84,44,250,80,2], 
      [29,39,91,47,84,46,247,79,2], 
      [28,38,85,45,80,47,249,78,2], 
      [28,36,81,43,76,50,337,83,2], 
      [28,34,75,41,83,52,344,81,2], 
      [30,38,80,46,71,53,347,92,2], 
      [28,35,72,45,64,47,360,101,2]] 
    network = [[{'weights': [0.09640510259345969, 0.37923370996257266, 0.5476265202749506, 0.9144446394025773, 0.837692750149296, 0.5343300438262426, 0.7679511829130964, 0.5325204151469501, 0.06532276962299033]}], 
      [{'weights': [0.040400453542770665, 0.13301701225112483]}, {'weights': [0.1665525504275246, 0.5382087395561351]}, {'weights': [0.26800994395551214, 0.3322334781304659]}]] 
    minmax = dataset_minmax(dataset) 
    normalize_dataset(dataset, minmax) 
    for row in dataset: 
     prediction = predict(network, row) 
     print('Expected=%d, Got=%d' % (row[-1], prediction)) 


if __name__ == '__main__': 
    make_predictions() 

Answer 1

das Problem gelöst, die in der Tat war, die Nutzung fehlerhafter trainiert Modell.