Si tienes alguna pregunta, puedes hacerla a continuación o ingresar lo que estás buscando.
Aquí está el conjunto de datos por lotes que creé antes para ajustarlo al modelo: train_ds = tf.keras.preprocessing.image_dataset_from_directory( train_path, label_mode=’categorical’, # se utiliza para la clasificación multiclase. Son etiquetas codificadas en one-hot para cada clase validation_split=0.2, # porcentaje del conjunto de datos a considerar para validación subset=”training”, # este subconjunto . . . Read more
El shape de X_train es 70,23,1 Cuando ajusto mi modelo, obtengo un ValueError: “La entrada 0 de la capa “sequential41″ no es compatible con la capa: se esperaba una forma=(None, 70, 23, 1), se encontró una forma=(None, 23, 1)” import tensorflow.keras as keras input_shape=(X_train.shape[0],X_train.shape[1],X_train.shape[2]) model=keras.Sequential() # primera capa model.add(keras.layers.Conv2D(32,(3,3),activation=’relu’,input_shape=input_shape)) model.add(keras.layers.MaxPool2D((3,3),strides=(2,2),padding=’same’)) . . . Read more
Estoy intentando crear un modelo de clasificación de imágenes utilizando CNN. Para eso, estoy leyendo los datos utilizando la función tf.keras.preprocessing.image_dataset_from_directory. Este es el código: train_ds = tf.keras.preprocessing.image_dataset_from_directory(data_dir_train,seed=123,validation_split = 0.2,subset = ‘training’,image_size=(img_height, img_width),batch_size=batch_size) Luego intento convertir el conjunto de datos en un objeto np.array. Mi código es: x_train = np.array(train_ds) . . . Read more
Hola, he creado una red neuronal y necesito hacer una validación cruzada. No sé cómo hacer eso, específicamente cómo entrenar o hacer esa validación. Si alguien sabe cómo hacerlo, por favor escriba o indíqueme algunas indicaciones. Aquí está mi código: ###División de Entrenamiento / Prueba X = df.drop(‘Peso secado’,axis=1) # . . . Read more
Descripción del problema: Dado un conjunto X de 100 series de tiempo, entrena un modelo Keras-LSTM con 70/100 series de tiempo, genera 30 predicciones y compáralas con las 30 series de tiempo restantes de X. Enfoque en pseudocódigo: lookBack = 3 for i in range(0, 70): xData, YData = sample(timeSeries[i], . . . Read more