LSTM的loss和accuracy近乎不变问题

您所在的位置：网站首页 › lstm输出全一样 › LSTM的loss和accuracy近乎不变问题

LSTM的loss和accuracy近乎不变问题

2024-07-10 21:05| 来源: 网络整理| 查看: 265

在这里插入图片描述

在这里插入图片描述原因（如果我的理解不对请纠正，万分感谢） lstm不是线性准确度，这点与cnn不同，之前做cnn认为输出都是显性的，而lstm需要不定的多次迭代才会开始提高准确度解决方法更换模型结构，损失函数，标签样式，迭代次数，或者重新生成数据集，重新进行训练等参考代码 train.py

import h5py import numpy as np from tensorflow.keras import layers, models f1 = h5py.File('train_lstm.h5', 'r') train_x = np.array(f1['train_content']) # 训练集数据将数据转化为np.array train_y = np.array(f1['train_label']) # 训练集标签 f2 = h5py.File('test_lstm.h5', 'r') test_x = np.array(f2['test_content']) # 测试集数据将数据转化为np.array test_y = np.array(f2['test_label']) # 测试集标签 # train_x = train_x[:100] # train_y = train_y[:100] print(train_x) print(train_y) print(train_x.shape) print(train_y.shape) # train_x = np.array([[[0.1]], [[0.2]], [[0.3]], [[0.4]]]) # train_y = np.array([0.2, 0.3, 0.4, 0.5]) # LSTM model = models.Sequential() model.add(layers.LSTM(50, input_shape=(200, 100))) model.add(layers.Dense(2, activation='softmax')) # compile model model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) model.fit(train_x, train_y, epochs=10, batch_size=1, verbose=2) # 保存模型p model.save('model_lstm1.h5') # 测试 result = model.evaluate(test_x, test_y) print('测试结果：', result)

test.py

import random import tensorflow as tf import numpy as np import re import jieba from gensim.models import word2vec label_list = ['虚假评论', '真实评论'] model = tf.keras.models.load_model(r'model_lstm1.h5') contents = ['好吃，非常不错，口感挺软的，不会觉得噎，不会干是属于比较新鲜的口感。', '口味不错，热量也不高。吃着非常好，非常愉快的一次购物体验。', '做工蛮精细的，木材表面磨得很平滑。'] # random.shuffle(contents) # 预处理 word = word2vec.Word2Vec.load('word2vec.model') r = r"[a-zA-Z0-9\s+\.\!\/_,$%^*(+\"\']+|[+——！，。？、：；;《》“”~@#￥%……&*（）]+" l = [] for content in contents: data = re.sub(r, '', content) fc = list(jieba.cut(data)) print(fc) data_list = np.zeros((200, 100)) num = 0 for j in fc: if j in word.wv: data_list[num] = list(word.wv[j]) else: data_list[num] = [0] num += 1 print(data_list) l.append(data_list) # 和数据集训练方式一样,是数据列表,且需要np.array(l)转格式,不然会报错 content = np.array(l) # 检查其架构 model.summary() # print(l) predictions = model.predict(content, verbose=0) print(predictions) # for i, j in enumerate(predictions): # print(contents[i]) # if j > 0.5: # print('真实评论') # else: # print('虚假评论') # print()

现在又不行了，哎，LSTM这玩意是真的玄学部分成功样例双输出二分类损失函数

model = models.Sequential() model.add(layers.LSTM(50, input_shape=(200, 100))) model.add(layers.Dense(2, activation='softmax')) # compile model model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) model.fit(train_x, train_y, epochs=50, batch_size=1, verbose=2)

在这里插入图片描述单输出（不符合二分类标准）

model = models.Sequential() model.add(layers.LSTM(50, input_shape=(200, 100))) model.add(layers.Dense(1)) model.compile(loss='mse', optimizer='adam', metrics=['accuracy']) x_train, y_train = get_train() x_test, y_test = get_test() model.fit(x_train, y_train, epochs=50, batch_size=1, verbose=2)

在这里插入图片描述纪念下卡了我两天的破LSTM模型,555~

【本文地址】

LSTM的loss和accuracy近乎不变问题

LSTM的loss和accuracy近乎不变问题

今日新闻

推荐新闻