堆叠 MNIST 和 Fashion_MNIST 的困难

Question

我知道这对你们来说很基础而且太简单了，但我是一个初学者，需要你们的帮助。 我正在努力用 CNN 制作二元分类器。 我的最终目标是检查准确率超过 0.99

我导入 MNIST 和 FASHION_MNIST 来识别它是号码还是衣服。 所以有2类。我想将 0-60000 分类为 0，将 60001-120000 分类为 1。 我将使用binary_crossentropy。

但我不知道如何从头开始。 首先如何使用 vstack hstack 来组合 MNIST 和 FASHION_MNIST？

这是我迄今为止尝试过的方法

import numpy as np
from keras.datasets import mnist
from keras.datasets import fashion_mnist
import keras
import tensorflow as tf
from keras.utils.np_utils import to_categorical
num_classes = 2
train_images = train_images.astype("float32") / 255
test_images = test_images.astype("float32") / 255
train_images = train_images.reshape((-1, 784))
test_images = test_images.reshape((-1, 784))
train_labels = to_categorical(train_labels, num_classes)
test_labels = to_categorical(test_labels, num_classes)

Answer 1

首先

它们是图像，所以最好将它们视为图像，不要将它们重塑为矢量。

现在是问题的答案。假设您有

mnist_train_image

和

fashion_train_image

，两者都有

(60000, 28, 28)

输入形状。

您想要做的事情由两部分组成：组合输入并制定目标。

首先是输入

正如您在问题中所写的那样，您可以像这样使用

np.vstack

>>> train_image = np.vstack((fashion_train_image, mnist_train_image))
>>> train_image.shape
(120000, 28, 28)

但是正如您应该已经注意到的那样，记住您是否需要

vstack

或

dstack

或

hstack

有点痛苦。我的偏好是使用

np.concatenate

代替

>>> train_image = np.concatenate((fashion_train_image, mnist_train_image), axis=0)
>>> train_image.shape
(120000, 28, 28)

现在不需要记住鸭子是什么

v

或

h

或

d

，你只需要记住你想要连接的轴（或维度），在这种情况下它是第一个轴，意味着0。特别是在这种情况下就像这个，“垂直”是第二个轴，因为它是一堆图像，第一个轴是“批量”。

接下来，标签

由于您想将 0-60000 分类为 0，将 60001-120000 分类为 1，因此有很多奇特的方法可以做到这一点。

但简而言之，您可以使用

np.zeros

创建一个填充 0 的数组。您猜对了，

np.ones

创建一个填充 1 的数组。但是

ones

和

zeros

都为您提供了一个数组浮动，我不确定这是否会成为问题，所以我在后面添加

.astype('uint8')

以防万一。您也可以在函数中添加参数

dtype='uint8'

。

使用上面的连接

>>> train_labels = np.concatenate((np.zeros(60000), np.ones(60000))).astype('uint8')
>>> train_labels.shape
(120000,)

使用 1 或 0 表示整个大小，然后减去或添加或重新分配其余部分

>>> train_labels = np.zeros(120000).astype('uint8')
>>> train_labels[60000:] = 1
#####
>>> train_labels = np.ones(120000, dtype='uint8')
>>> train_labels[:60000] -= 1

重要！！！

您的示例中有一个关于标签的明显错误，索引以 0 开头，因此第 60,000 个索引是 59,999。

所以你真正想要的是将 0-59999 分类为 0，将 60000-119999 分类为 1。