首先有8個(gè)類別。其次，預(yù)測(cè)的輸出具有shape（1,8），從技術(shù)上講，它是一個(gè)單一列表的列表（一行列數(shù)據(jù)），因此通過(guò)傳入model.predict(img_data)，您將返回該行。你需要做的是max(model.predict(img_data)[0])獲得最高值。 要獲得類名，這與標(biāo)簽上使用的編碼方法有關(guān)。 另外，如果你想，正如你所說(shuō)的，你的每一類的概率是這個(gè)形式，90%的1類和80%的2類。。。等等，你應(yīng)該在輸出層使用sigmoid而不是softmax作為你的激活函數(shù)。softmax強(qiáng)制要求對(duì)于每個(gè)樣本，所有類的概率之和為1（當(dāng)類是獨(dú)占的時(shí)使用它——例如：60%概率下雨，40%概率不下雨），這不是您想要的。

你只需要在中間切割你的訓(xùn)練網(wǎng)絡(luò)，不管你喜歡什么，但要注意你的網(wǎng)絡(luò)返回2D數(shù)據(jù)。只有這樣，你才能適合表格模型。 在下面的例子中，我們擬合一個(gè)稠密的神經(jīng)網(wǎng)絡(luò)，然后對(duì)隱藏的提取特征應(yīng)用sklearn的隨機(jī)林。可以修改網(wǎng)絡(luò)或更改最終表格模型 import numpy as npfrom sklearn.datasets import make_classificationfrom sklearn.ensemble import RandomForestClassifierfrom tensorflow.keras.layers import *from tensorflow.keras.models import *# create dummy dataX,y = make_classification(n_samples=5000, n_features=10, n_informative=3, random_state=1)# fit NNmodel = Sequential()model.add(Dense(units=30,input_dim=10,activation='relu'))model.add(Dense(units=15,activation='relu'))model.add(Dense(units=1,activation='sigmoid'))model.com

我想我不能給你一個(gè)準(zhǔn)確的答案。然而，在高能物理環(huán)境中，模擬數(shù)據(jù)和在world-like環(huán)境中部署的訓(xùn)練是通常的做法。他們使用Monte-Carlo高統(tǒng)計(jì)量模擬來(lái)訓(xùn)練模型，并使用實(shí)驗(yàn)收集的real-data來(lái)評(píng)估其預(yù)測(cè)性能： An example 要限制experimental-simulation分歧，可以做的一件事是在網(wǎng)絡(luò)中實(shí)現(xiàn)域適配層： 這是一篇很好的文章，解釋了域適應(yīng) 所有這些考慮因素可能取決于您將要開發(fā)的體系結(jié)構(gòu)的類型，針對(duì)哪個(gè)特定任務(wù)（二進(jìn)制分類還是其他？），以及你的模擬有多可靠。

有兩件事，就是用測(cè)試集擬合多項(xiàng)式nb。在你的循環(huán)中有mnb.fit(x_testcv,y_test)，但你應(yīng)該做mnb.fit(x_traincv,y_train) 其次，在執(zhí)行pre-processing時(shí)，應(yīng)該只對(duì)訓(xùn)練數(shù)據(jù)調(diào)用fit_transform，而在測(cè)試中，應(yīng)該只調(diào)用transform方法。

互聯(lián)網(wǎng)似乎有很多答案給你。您可以使用TensorFlow.NET，它實(shí)現(xiàn)了培訓(xùn)所需的所有功能，但也可以用于測(cè)試和預(yù)測(cè)。官方文檔中甚至有一個(gè)負(fù)載預(yù)訓(xùn)練模型和預(yù)測(cè)部分！確實(shí)還有Unity ML Agents仍然是實(shí)驗(yàn)性的，但有一個(gè)代碼示例。 如果只是一個(gè)POC，你也可以發(fā)揮創(chuàng)意，設(shè)置一個(gè)服務(wù)器，接收你的圖像，運(yùn)行模型，并返回結(jié)果。

老實(shí)說(shuō)，我看不出哪里會(huì)出錯(cuò)。。。當(dāng)你說(shuō)“但不幸的是，什么也沒(méi)有顯示”時(shí)，你說(shuō)的是print(letter)和cv2.putText()？因?yàn)椴榭茨拇a，我沒(méi)有看到任何可能導(dǎo)致空l(shuí)etter變量的錯(cuò)誤，特別是如果您沒(méi)有收到任何錯(cuò)誤消息，如“列車和測(cè)試之間的差異n_col”。你試過(guò)調(diào)試嗎？我要做的事情是： 確保LabelEncoder工作正常（1個(gè)字母-->1個(gè)類） 這個(gè)模型是否有效(不是在性能方面，而是在檢查輸入和輸出形狀是否符合您的期望方面）。為此，我個(gè)人傾向于分開訓(xùn)練和測(cè)試(sklearn.preprocessing），只在訓(xùn)練中訓(xùn)練，然后做一個(gè)model.predict(x_test），只是為了確保輸出形狀正確和合適的精度（我認(rèn)為沒(méi)有超參數(shù)調(diào)諧，你不會(huì)找到最好的精度） 我還將檢查model.save和model.load是否有效（檢查在保存/加載模型和不保存/加載模型的情況下，是否在x_test上使用相同的x_test得到相同的結(jié)果） 如果所有這些都沒(méi)有問(wèn)題，那么是你的預(yù)測(cè)導(dǎo)致了問(wèn)題。我試著站在我這邊看row和X的形狀，它看起來(lái)與x_train的形狀相似，所以如果問(wèn)題在這里，那就很奇怪了。 我沒(méi)有足夠的經(jīng)驗(yàn)來(lái)調(diào)試cv2.putText(....），所以如果問(wèn)題在這里，我不能幫你。 我和你一樣是Tf的初學(xué)者，所以我可能錯(cuò)過(guò)了一個(gè)小細(xì)節(jié)，但對(duì)我來(lái)說(shuō)，算法似乎是正確的

計(jì)算機(jī)視覺(jué)和發(fā)現(xiàn)了一些有希望的方法，我可以用它們來(lái)發(fā)現(xiàn)： SIFT SURF Template Matching Image Gradients Canny Edge Detection 定向梯度直方圖 Hough Line Transform Hough Circle Transform Gabor Filters 我使用Python OpenCV對(duì)所有方法進(jìn)行了實(shí)驗(yàn)。

如果data.shape = (3, 3)，當(dāng)你把data[0]傳遞給model.predict()時(shí)，你實(shí)際上是在發(fā)送一個(gè)(3, )形狀的向量，但是你的模型期望的是(1, 3)形狀，這意味著一個(gè)大小為3的例子。 嘗試切片數(shù)據(jù)： model.predict(data[:1]) 這樣你的張量就會(huì)有形狀（1，3）。

您共享的代碼片段實(shí)際上只是深度學(xué)習(xí)模型的培訓(xùn)代碼。這里，outputs = network(imgs)實(shí)際上接受img，即；在通過(guò)網(wǎng)絡(luò)（您要對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練的模型）后，輸入訓(xùn)練數(shù)據(jù)并給出預(yù)測(cè)輸出。 然后基于這些輸出，loss_fn在這里被計(jì)算出來(lái)loss = loss_fn(outputs, label_imgs)取預(yù)測(cè)的標(biāo)簽（輸出）和實(shí)際的標(biāo)簽（label_imgs） 注：在推斷中，通常不計(jì)算損失，而是計(jì)算預(yù)測(cè)標(biāo)簽的準(zhǔn)確性。僅根據(jù)培訓(xùn)數(shù)據(jù)計(jì)算損失，以衡量培訓(xùn)是否正常進(jìn)行以及損失是否減少。我建議你先學(xué)習(xí)一些基礎(chǔ)的深度學(xué)習(xí)教程，以便更好地了解情況，以防你還有疑問(wèn)。

是的，強(qiáng)烈建議在大多數(shù)情況下對(duì)圖像進(jìn)行標(biāo)準(zhǔn)化，顯然，您將面臨一些不需要標(biāo)準(zhǔn)化的情況。原因是將這些值保持在一定范圍內(nèi)。即使網(wǎng)絡(luò)“很大”，網(wǎng)絡(luò)的輸出也會(huì)受到輸入數(shù)據(jù)范圍的強(qiáng)烈影響。如果你讓你的輸入范圍失去控制，你的預(yù)測(cè)將從一個(gè)急劇變化到另一個(gè)。因此，梯度也會(huì)失去控制，并可能使你的訓(xùn)練效率低下。我邀請(qǐng)你們閱讀這個(gè)答案和那個(gè)答案，以了解規(guī)范化背后的“原因”的更多細(xì)節(jié)，并對(duì)行為有更深入的理解。 使用imagenet平均值和標(biāo)準(zhǔn)偏差對(duì)圖像進(jìn)行規(guī)格化非常常見：mean = [0.485, 0.456, 0.406]，std = [0.229, 0.224, 0.225]。當(dāng)然，您也可以考慮，如果您的數(shù)據(jù)集足夠真實(shí)，在生產(chǎn)上下文中，使用它自己的均值和STD而不是IMANENET的。 最后，請(qǐng)記住這些值，因?yàn)橐坏┠愕哪Ｐ徒?jīng)過(guò)訓(xùn)練，你仍然需要對(duì)任何新圖像進(jìn)行規(guī)范化，以便在未來(lái)的推斷中獲得良好的準(zhǔn)確性。

首先，CAPTCHA旨在阻止自動(dòng)用戶/機(jī)器人。是的，如果您有實(shí)際的驗(yàn)證碼生成器，并且您在該分布上培訓(xùn)了一個(gè)深度學(xué)習(xí)模型，那么它很可能會(huì)表現(xiàn)良好。 CAPTCHA越來(lái)越難了，它們可以變得更難。但是，生成CAPTCHA需要資源，即實(shí)際的計(jì)算資源（除非它們是隨機(jī)圖像且不是合成的）。如果需要制作一個(gè)真正的bot-proof網(wǎng)站，可以制作。 通過(guò)bot，它通常意味著網(wǎng)絡(luò)抓取工具/自動(dòng)化用戶，他們嘗試像人類用戶一樣做事情，但速度非常快。現(xiàn)在，如果您還將深度學(xué)習(xí)模型集成到它中，就有可能繞過(guò)CAPTCHA（在大多數(shù)情況下），但這可能是一種過(guò)激行為（取決于您的需要）。從機(jī)器人上保存網(wǎng)站不如面部識(shí)別重要，self-driving汽車（相對(duì)聲明）。

您使用比用于推理的數(shù)據(jù)更少的數(shù)據(jù)來(lái)訓(xùn)練每個(gè)SVM（1/20*500K），而RBF SVM在訓(xùn)練和推理方面的伸縮性較差（盡管不同）。如果您想使用RBF SVM，您可能想使用更快的實(shí)現(xiàn)，例如cuML中的實(shí)現(xiàn)（需要GPU）（免責(zé)聲明：我在這個(gè)項(xiàng)目上工作）。 我在我的機(jī)器上使用一個(gè)500K x 20的隨機(jī)數(shù)據(jù)集獲得以下性能[0]。 import cumlfrom sklearn.preprocessing import StandardScalerfrom sklearn.pipeline import Pipelinefrom sklearn.compose import TransformedTargetRegressor from sklearn.ensemble import BaggingRegressorfrom sklearn.datasets import make_regressionX, y = make_regression(n_samples=500000, n_features=20)svr = cuml.svm.SVR(C=1e-1, epsilon=0.1, tol=1e0)pipeline = Pipeline([('scaler', StandardScaler()), ('model', svr)])model = TransformedTargetRe

圖形是可以的，但是 如果您正在分類，請(qǐng)輸入準(zhǔn)確度值 若你們?cè)谧龌貧w，誤差分?jǐn)?shù)是足夠的，那個(gè)么我們可以說(shuō)結(jié)果是好的

我不推薦任何一種方法。 我在考慮檢測(cè)欺詐的模型。根據(jù)定義，欺詐應(yīng)該只占結(jié)果的一小部分，大約1-5%。改變培訓(xùn)的百分比將嚴(yán)重扭曲正在解決的問(wèn)題。 最好保持比例不變。 確保您的訓(xùn)練、驗(yàn)證和測(cè)試數(shù)據(jù)集都具有反映真實(shí)問(wèn)題的比率。 調(diào)整你的結(jié)果。不要追求準(zhǔn)確性。一個(gè)天真的模型，假設(shè)0的結(jié)果在2/3的時(shí)間內(nèi)是正確的。你希望你的模型比這更好，或者是一個(gè)加權(quán)的硬幣投擲。 我建議用回憶作為你成功的標(biāo)準(zhǔn)。

當(dāng)您將其附加到列表中時(shí)，請(qǐng)嘗試在末尾使用.cpu（），如下所示： test_pred.append(t_test_pred.cpu())