python - отказано в разрешении при попытке прочитать CSV-файл - PullRequest
Новая
       11

python - отказано в разрешении при попытке прочитать CSV-файл

0 голосов
/ 25 ноября 2018

Я пытаюсь построить нейронную сеть для школьного проекта.Я пошел с популярной моделью, это программа, которая определяет риск диабета.Программа основана на популярном наборе данных «диабет пима индейцев».У меня настроены керас и тензор потока, но я не могу заставить программу прочитать файл, она всегда говорит: «Отказано в доступе».

Я пытался обновить разрешения для «всех», но это не работает.Я уверен, что программа может найти файл, так как они находятся внутри одной и той же папки. Или, может быть, именно в этом причина проблемы? В любом случае, я довольно новичок в программировании в целом. Любая и вся помощь будет принята с благодарностью.Ниже приведен мой код и прикреплена консоль и расположение / содержимое моего файла. Спасибо.

РЕДАКТИРОВАТЬ: правильное изображение консоли и расположение файла 

from keras.models import Sequential
from keras.layers import Dense, Dropout
from sklearn.model_selection import train_test_split
import numpy

# random seed for reproducibility
numpy.random.seed(2)

# load up the data
#dataset = numpy.loadtxt("dataset.csv", delimiter=",")
dataset = open("dataset.csv")


# split into input (X) and output (Y) variables, (split the data, ouput is 0 or 1)
X = dataset[:,0:8]
Y = dataset[:,8]

# split X, Y into a train and test set
x_train, x_test, y_train, y_test = train_test_split(X, Y, test_size=0.2, random_state=42)

# create model, add layers (specify the function)
model = Sequential()
model.add(Dense(15, input_dim=8, activation='relu')) # input layer requires input_dim param
model.add(Dense(10, activation='relu'))
model.add(Dense(8, activation='relu'))
model.add(Dropout(.2))
model.add(Dense(1, activation='sigmoid')) # sigmoid instead of relu for final probability between 0 and 1

# compile the model, adam gradient descent model (optimized)
model.compile(loss="binary_crossentropy", optimizer="adam", metrics=['accuracy'])

# function for fitting the data (training the network)
model.fit(x_train, y_train, epochs = 1000, batch_size=20, validation_data=(x_test, y_test))

# save it
model.save('weights.h5')
...