Как избавиться от красной волнистой линии под двоеточием на l oop моего учебного кода по машинному обучению? - PullRequest
Новая
       5

Как избавиться от красной волнистой линии под двоеточием на l oop моего учебного кода по машинному обучению?

0 голосов
/ 26 мая 2020

Я новичок в машинном обучении и продолжаю получать эту ошибку в for l oop: «неожиданная ошибка» и «парсер 16» под двоеточием (я использую VScode) 

#binary text classification
import numpy as np
from keras.datasets import imdb
from keras import models
from keras import layers,optimizers
import pandas.plotting._matplotlib as plt
#loading data from the dataset
(train_data,train_labels), (test_data,test_labels) = imdb.load_data(num_words = 10000)
#keeping only top 10000 repeated words in th etraining data and discarding the others
#creating binary matrix of the given data
def vector_sequences(sequences,dimension = 1000):
    results = np.zeros((len(sequences),dimension)
    for i,sequence in enumerate(sequences):
       results[i,sequence] = 1
    return results
#feeding training data in the x branch
x_train = vector_sequences(train_data)
x_test = vector_sequences(test_data)
#vectorizing and feeding label in the y branch
y_train = np.asarray(train_labels).astype('float32')
y_test = np.asarray(test_labels).astype('floate32') 
#Adding model layers and definition
model = models.Sequential()
model.add(layers.Dense(16,activation='relu',input_shape = (10000,)))
model.add(layers.Dense(16,activation='relu'))
model.add(layers.Dense(1,activation='sigmoid'))
#making an optimizer and compiling
model.compile(optimizer='rmsprop',loss='binary_crossentropy',metrics=['accuracy'])

1 Ответ

0 голосов
/ 27 мая 2020

Проблема здесь в неправильном отступе: начало l oop имеет один дополнительный отступ, а возврат также имеет один дополнительный отступ. Фиксированный код такой: 

import numpy as np
from keras.datasets import imdb
from keras import models
from keras import layers,optimizers
import pandas.plotting._matplotlib as plt
#loading data from the dataset
(train_data,train_labels), (test_data,test_labels) = imdb.load_data(num_words = 10000)
#keeping only top 10000 repeated words in th etraining data and discarding the others
#creating binary matrix of the given data
def vector_sequences(sequences,dimension = 1000):
    results = np.zeros((len(sequences),dimension))
    for i,sequence in enumerate(sequences):
        results[i,sequence] = 1
    return results
#feeding training data in the x branch
x_train = vector_sequences(train_data)
x_test = vector_sequences(test_data)
#vectorizing and feeding label in the y branch
y_train = np.asarray(train_labels).astype('float32')
y_test = np.asarray(test_labels).astype('floate32') 
#Adding model layers and definition
model = models.Sequential()
model.add(layers.Dense(16,activation='relu',input_shape = (10000,)))
model.add(layers.Dense(16,activation='relu'))
model.add(layers.Dense(1,activation='sigmoid'))
#making an optimizer and compiling
model.compile(optimizer='rmsprop',loss='binary_crossentropy',metrics=['accuracy'])
...