如何在 keras 中创建具有特定大小层的多层感知器？

数据挖掘 机器学习 深度学习 喀拉斯
2022-03-07 10:16:19

我正在尝试根据其描述重新创建模型。该模型被描述为“大小为 500 ... 10 的 10 层”。据我了解，大小是指隐藏单元的数量，我可以使用 model.add(dense) 自定义

我的代码如下所示：

model = Sequential() 
model.add(Conv2D(32, (3,3), activation='relu', input_shape=input_shape)
model.add(Dense(500, activation = 'relu')) 
... 
model.add(Dense(10, activation = 'softmax'))

但是，它产生的准确率非常低（比我应该得到的低约 20%）。

难道我做错了什么？

2个回答

这可能有很多原因。据我了解，您尝试重复某人的结果，而您所知道的只是架构。您的 keras 架构似乎是正确的，但您还应该考虑到：

  1. 数据——作者是否使用了数据增强？
  2. 正则化，例如 dropout、L1、L2、批量标准化 - 可以显着影响您的结果。
  3. 其他超参数，例如优化器、批量大小等。您是否对这些参数进行了网格/随机搜索？

如果你把这一切都考虑进去了，给我们提供更完整的训练代码，这样我们就不用猜测了。

如果我根据问题的标题得到正确的观点，那么在您的代码中，您并没有制作多层感知器。你试图以某种方式制作一个卷积网络。在 MLP 中，您只需堆叠密集层。执行类似于以下代码片段的操作，它仅堆叠密集层：

model = Sequential()
model.add(keras.layers.Dense(10))
model.add(keras.layers.Dense(10))
model.add(keras.layers.Dense(10))
model.add(keras.layers.Dense(10, activation = 'softmax'))
其它你可能感兴趣的问题
上一篇计算 KNN 中的平均错误率 下一篇在使用 Deep Q 学习时，我们如何将当前奖励用作 RUN 时的系统输入？