功能模型的预测功能问题

我正在尝试将嵌套交叉验证和管道与我的功能模型结合起来。这是代码：

• binaryModel = 特此为功能性人工神经网络

输出：

如何使用最终的最佳模型进行预测？

• 我的结果是一个管道，但我不能使用预测功能，为什么？
• 我想使用预测函数来评估每个折叠（准确性、灵敏度等......）

是否有访问 Keras 多（功能）/单（顺序）输出模型输出的通用方法？

我正在使用两种 Keras 模型，并尝试创建一个通用回调，该回调可以访问所有模型输出，而无需使用层名称或编号。我熟悉不适用于 Sequential 的功能模型 .outputs。

谢谢！

我很难实现 keras 调谐器来找到这个 keras 功能 api 模型的层数、神经元和最佳学习率。

我的代码：

我在 PyCharm 中使用 Tensorflow 和 keras 使用功能 api 创建了一个多输入网络。

如何将数据传递给这些模型的一个示例如下：

在上面的示例中，数据被加载为 NumPy 并形成为[val_x1,val_x2]. 但是由于内存和数据集大小的限制，我必须使用 tf.data 来准备数据集。我的数据集由 2 个类中的图像组成（每个形状都是(5000,20)。我加载了所有图像。网络输入层是1d-Cnn每个接受的(5000,1)。假设我给网络这样的输入：

X是一个形状为（5000,20）的样本（图像），我必须将其转换为形状为（5000,1）的子样本x1，x2，......，x20，然后调用fit()方法。

我的问题就在这里。我用tf.data. 数据集的每个样本都有一个带有类的形状(5000,20)和标签(2,1)的图像样本。2现在我无法将一个 tf 数据样本转换为给出model.fit()方法的样本列表。

我用谷歌搜索并找到了这个解决方案，但它对我不起作用。

这是我的完整代码：

我目前正在使用 Keras 的功能 API 和具有多个自变量和单个分类目标变量的数据集使用以下代码构建神经网络模型。

由于 y_pred 是单热向量的形式，我认为使用 pd.get_dummies().columns 可以获得我需要的类标签。我的问题是，这种方法是否可靠，如果不可靠，是否有任何其他方法可以获取预测值的类标签？获取类标签的旧方法（即 predict_classes）已被弃用，我真的找不到可靠的方法来获取它们。我还考虑了其​​他方法，例如：

我尝试过的两种方法似乎都不是正确标记类的可靠方法

我是使用 CNN 的新手，但我正在尝试使用带有 CIFAR10 数据集的功能 API 来制作一个。唯一的问题是我的准确率非常低。我查看了我的教科书示例和文档，但无法弄清楚为什么它应该开始更高的时候却如此之低。这是我使用 DenseNet201 和 tf 2.7 版的设置：

我觉得我见过的所有例子都开始得更高，甚至没有额外的层。我是否误解了初始化中的某些内容？

我在 tensorflow keras 中构建了一个神经网络，最终得到了以下代码作为模型中的一个步骤：

代码工作正常。然而，它的摘要相当长，而且通常不是很优雅。我对功能 API 和自定义层了解不多。但我想知道在这种情况下是否最好使用自定义层或构建功能 API 块。

谢谢

刚开始张量流

处理 imdb 数据集。过程：使用文本向量化层进行文本编码并将其传递给嵌入层：

然后我尝试构建一个功能性 API：

但是，这给出了以下错误：

在制作这样的顺序 API 后，它工作正常：

我不确定为什么会这样。功能 API 是否需要输入？请帮忙！

1. 我正在使用 keras 功能 api 制作多输入 cnn 模型，但它给出了错误......数据：

   模型：输入1 =输入（形状=（404,410,3））输入2 =输入（形状=（404,410,3））

   x = layers.Conv2D(25, (5, 5), activation='relu', padding='same')(input1) x = layers.MaxPool2D(pool_size=(2, 2), padding='same')( X）

   x1 = layers.Conv2D(25, (5, 5), activation='relu', padding='same')(input2) x1 = layers.MaxPool2D(pool_size=(2, 2), padding='same')( x1) flat_layer1 = Flatten()(x) flat_layer2 = Flatten()(x1)

   打印（flat_layer1.shape）

   print(flat_layer2.shape) concat_layer= 连接()([flat_layer1,flat_layer2])

   concat_layer= 连接([flat_layer1,flat_layer2])

   x = layers.Dense(16, activation= 'relu')(flat_layer1) #(concat_layer) 输出 = layers.Dense(2, activation='softmax')(concat_layer) 模型 =

   keras.Model（输入=[输入1，输入2]，输出=输出）

   model.compile(loss = keras.losses.BinaryCrossentropy(), optimizer=keras.optimizers.Adam(learning_rate=0.001), metrics=["accuracy"])

   model.fit([trainset1,trainset12] ,batch_size=32,epochs=5,verbose=2)

   给出错误：

   -------------------------------------------------- ------------------------- ValueError Traceback (last last call last) in () ----> 1 model.fit([trainset1,trainset12 ] ,batch_size=32,epochs=5,verbose=2)

   1 帧 /usr/local/lib/python3.7/dist-packages/keras/engine/data_adapter.py 在 select_data_adapter(x, y) 989“找不到可以处理“990”的数据适配器输入：{}，{ }".format( --> 991 _type_name(x), _type_name(y))) 992 elif len(adapter_cls) > 1: 993 raise RuntimeError(

   ValueError：未能找到可以处理输入的数据适配器：（<class 'list'> 包含类型 {"<class 'keras.preprocessing.image.DirectoryIterator'>"}），<class 'NoneType'"""

   我现在该怎么办？

Python 3.8 版 Tensorflow/Keras 2.5.0 版

大家好，我正在尝试使用自定义构建块实现 Unet 架构，但我不断收到错误消息：

ValueError: Graph disconnected: cannot get value for tensor KerasTensor(type_spec=TensorSpec(shape=(None, 128, 128, 64), dtype=tf.float32, name='convnext_block_2_0_input'), name='convnext_block_2_0_input', description="由层“convnext_block_2_0_input”）在“convnext_block_2_0”层创建。访问以下先前层没有问题：['stem', 'convnext_stage_0', 'downsampling_block_0']

在阅读了类似的问题后，我找不到解决方案。我在哪里犯了错误以及如何解决？

提前致谢。代码：

代码是这样运行的：