какова функция model.compile?

Question

Итак, я делаю переводчик с местного языка, используя наборы данных для каждой буквы. Я имею минимальные знания по машинному обучению и только сделал классификатор изображения 2 категории. Первоначально это мои коды, он работает нормально. Я получаю отчет о классификации и матрицу путаницы. он показывает все мои параметры и не обучаемые параметры вот коды

from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D
from keras.layers import Activation, Dropout, Flatten, Dense
from keras import backend as K
from tensorflow.keras.optimizers import Adam
from PIL import ImageFile, Image
print(Image.__file__)
import numpy
import matplotlib.pyplot as plt

# dimensions of our images.
img_width, img_height = 150, 150

train_data_dir = r'C:\Users\Acer\imagerec\BAYBAYIN\TRAIN'
validation_data_dir = r'C:\Users\Acer\imagerec\BAYBAYIN\VAL'
nb_train_samples = 51600
nb_validation_samples = 12900
epochs = 1
batch_size = 100

if K.image_data_format() == 'channels_first':
    input_shape = (3, img_width, img_height)
else:
    input_shape = (img_width, img_height, 3)

from keras.applications.xception import Xception
from keras.models import Model
from keras.layers import Dense

vgg = Xception(include_top=False, weights='imagenet', input_shape=(), pooling='avg')
x = vgg.output
x = Dense(1, activation='softmax')(x)
model = Model(vgg.input, x)
model.summary()

model.compile(loss='binary_crossentropy',
              optimizer=Adam(lr=.0001),
              metrics=['accuracy'])

# this is the augmentation configuration we will use for training
train_datagen = ImageDataGenerator(
    rescale=1. / 255,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True)

# this is the augmentation configuration we will use for testing:
# only rescaling
test_datagen = ImageDataGenerator(rescale=1. / 255)

train_generator = train_datagen.flow_from_directory(
    train_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='binary')

validation_generator = test_datagen.flow_from_directory(
    validation_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='binary')

model.fit_generator(
    train_generator,
    steps_per_epoch=nb_train_samples // batch_size,
    epochs=epochs,
    validation_data=validation_generator,
    validation_steps=nb_validation_samples // batch_size)

print("PRINTING OUT CLASSIFICATION REPORT AND CONFUSION MATRIX")

from sklearn.metrics import classification_report
from sklearn.metrics import confusion_matrix

test_steps_per_epoch = numpy.math.ceil(validation_generator.samples / validation_generator.batch_size)

predictions = model.predict_generator(validation_generator, steps=test_steps_per_epoch)
# Get most likely class
predicted_classes = numpy.argmax(predictions, axis=1)
true_classes = validation_generator.classes
class_labels = list(validation_generator.class_indices.keys())
report = classification_report(true_classes, predicted_classes, target_names=class_labels)
print(report)

cm=confusion_matrix(true_classes,predicted_classes)
print(cm)

plt.imshow(cm)

import matplotlib.pyplot as plt
import numpy as np


plt.imshow(np.random.random((48,48)), interpolation='nearest')
plt.xticks(np.arange(0,48), ['A', 'BA', 'KA', 'GA', 'HA', '1', '2', '3', '4', '5', '6', '7',
              '8', '9', '10', '11', '12', '13', '14', '15', '16', '17', '18', '19',
              '20', '21', '22', '23', '24', '25', '26', '28', '29', '30', '31', '32',
              '33', '34', '35', '36', '37', '38', '39', '40', '41', '42', '43', '44'])
plt.yticks(np.arange(0,48),['A', 'BA', 'KA', 'GA', 'HA', '1', '2', '3', '4', '5', '6', '7',
              '8', '9', '10', '11', '12', '13', '14', '15', '16', '17', '18', '19',
              '20', '21', '22', '23', '24', '25', '26', '28', '29', '30', '31', '32',
              '33', '34', '35', '36', '37', '38', '39', '40', '41', '42', '43', '44'])

plt.show()

У меня просто проблема с этими указанными c строками кодов

model.compile(loss='binary_crossentropy',
              optimizer=Adam(lr=.0001),
              metrics=['accuracy']) 

Я не знаю что его функция или для чего она нужна, но я подозреваю, что это должна быть категорическая кроссцентропия, потому что я запускаю классификатор нескольких изображений, но при изменении его на categorical_ crossentropy я получаю много ошибок, даже при попытке sparse_categorical_crossentropy

Кто-нибудь знает, могу ли я просто продолжать использовать эти коды или я должен изменить его, потому что у меня также есть проблема с точностью, действительно низкой

Answer 1

Model.compile предназначен только для настройки модели с функцией потерь, оптимизацией, показателями потерь, весами потерь и т. Д. c)

Вам определенно следует использовать категориальную кросс-энтропию; Вы можете вставить ошибку - ваша модель может работать плохо по разным причинам.