| 查看: 1842 | 回复: 1 | ||
| 【悬赏金币】回答本帖问题，作者Alpha1024将赠送您 10 个金币 | ||
Alpha1024新虫 (正式写手)
|
[求助]
为什么他报错的时候说就一个样本？
|
|
|
建了一个卷积神经网络，输入训练集，有多个样本，见训练集，报错以及代码，为什么他报错的时候说就一个样本？问题在哪？ ValueError: Training data contains 1 samples, which is not sufficient to split it into a validation and training set as specified by `validation_split=0.2`. Either provide more data, or a different value for the `validation_split` argument. import numpy as np import pandas as pd import tensorflow as tf from tensorflow.keras import layers #定义模型 def get_model(): #建立一个序贯模型 model = tf.keras.Sequential() #第一个卷积块 model.add(layers.Conv2D(128, kernel_size=(3, 3), activation= 'relu', input_shape=(75, 75, 3))) model.add(layers.MaxPooling2D(pool_size=(3, 3), strides=(2, 2))) model.add(layers.Dropout(0.2)) #第二个卷积块 model.add(layers.Conv2D(128, kernel_size=(3, 3), activation= 'relu')) model.add(layers.MaxPooling2D(pool_size=(2,2), strides=(2, 2))) model.add(layers.Dropout(0.2)) #第三个卷积块 model.add(layers.Conv2D(64, kernel_size=(2, 2), activation='relu')) model.add(layers.MaxPooling2D(pool_size=(3, 3), strides=(2, 2))) model.add(layers.Dropout(0.2)) #第四个卷积块 model.add(layers.Conv2D(64, kernel_size=(2, 2), activation= 'relu')) model.add(layers.MaxPooling2D(pool_size=(2, 2), strides=(2, 2))) model.add(layers.Dropout(0.2)) #将上一层的输出特征映射转化为一维数据，以便进行全连接操作 model.add(layers.Flatten()) #第一个全连接层 model.add(layers.Dense(256)) model.add(layers.Activation('relu')) model.add(layers.Dropout(0.2)) #第二个全连接层 model.add(layers.Dense(128)) model.add(layers.Activation('relu')) model.add(layers.Dropout(0.2)) #第三个全连接层 model.add(layers.Dense(1)) model.add(layers.Activation('sigmoid')) #编译模型 model.compile(loss= 'binary_crossentropy', optimizer=tf.keras.optimizers.Adam(0.0001), metrics=['accuracy']) #打印出模型的概况信息 model.summary() return model cnn_model = get_model() cnn_model. fit (train_x, train_y, batch_size=25, epochs=100, verbose=1, validation_split=0.2) 代码 训练集显示 [array([[[110, 110, 110], [110, 110, 110], [109, 109, 109], ..., [ 0, 0, 0], [ 0, 0, 0], [ 0, 0, 0]]]), array([[[110, 110, 110], [110, 110, 110], [109, 109, 109], ..., [255, 255, 255], [255, 255, 255], [255, 255, 255]]]), array([[[165, 165, 165], [173, 173, 173], [169, 169, 169], ..., [255, 255, 255], [255, 255, 255], [255, 255, 255]]]), array([[[58, 58, 58], [52, 52, 52], [51, 51, 51], ..., [47, 47, 47], [55, 55, 55], [49, 49, 49]]]), array([[[ 74, 74, 74], [ 76, 76, 76], [ 71, 71, 71], ..., [110, 110, 110], [106, 106, 106], [108, 108, 108]]]), array([[[159, 159, 159], [118, 118, 118], [132, 132, 132], ..., [ 93, 93, 93], [ 95, 95, 95], [ 91, 91, 91]]]), array([[[165, 165, 165], [173, 173, 173], [169, 169, 169], ..., [255, 255, 255], [255, 255, 255], [255, 255, 255]]]), array([[[110, 110, 110], [110, 110, 110], [109, 109, 109], ..., [255, 255, 255], [255, 255, 255], [255, 255, 255]]]), array([[[165, 165, 165], [173, 173, 173], [169, 169, 169], ..., [255, 255, 255], [255, 255, 255], [255, 255, 255]]]), array([[[58, 58, 58], [52, 52, 52], [51, 51, 51], ..., [47, 47, 47], [55, 55, 55], [49, 49, 49]]]), array([[[ 74, 74, 74], [ 76, 76, 76], [ 71, 71, 71], ..., [110, 110, 110], [106, 106, 106], [108, 108, 108]]]), array([[[159, 159, 159], [118, 118, 118], [132, 132, 132], ..., [ 93, 93, 93], [ 95, 95, 95], [ 91, 91, 91]]]), array([[[165, 165, 165], [173, 173, 173], [169, 169, 169], ..., [255, 255, 255], [255, 255, 255], [255, 255, 255]]]), array([[[110, 110, 110], [110, 110, 110], [109, 109, 109], ..., [255, 255, 255], [255, 255, 255], [255, 255, 255]]]), array([[[165, 165, 165], [173, 173, 173], [169, 169, 169], ..., [255, 255, 255], [255, 255, 255], [255, 255, 255]]]), array([[[58, 58, 58], [52, 52, 52], [51, 51, 51], ..., [47, 47, 47], [55, 55, 55], [49, 49, 49]]]), array([[[ 74, 74, 74], [ 76, 76, 76], [ 71, 71, 71], ..., [110, 110, 110], [106, 106, 106], [108, 108, 108]]]), array([[[159, 159, 159], [118, 118, 118], [132, 132, 132], ..., [ 93, 93, 93], [ 95, 95, 95], [ 91, 91, 91]]]), array([[[165, 165, 165], [173, 173, 173], [169, 169, 169], ..., 这是trainx [array(0), array(0), array(0), array(0), array(1), array(1), array(0), array(0), array(0), array(0), array(1), array(1), array(0), array(0), array(0), array(0), array(1), array(1), array(0)] 这是trainy |
回复此楼» 猜你喜欢
材料考研调剂
已经有3人回复
-
材料调剂
已经有12人回复
-
英一数一408，总分284，二战真诚求调剂
已经有14人回复
-
085410 一志愿211 22408分数359求调剂
已经有4人回复
-
271求调剂
已经有19人回复
-
385分 生物学（071000）求调剂
已经有3人回复
-
一志愿安徽大学计算机科学与技术学硕，331分求调剂
已经有3人回复
-
318求调剂，计算材料方向
已经有8人回复
-
291求调剂
已经有25人回复
-
一志愿北京科技大学085601材料工程英一数二初试总分335求调剂
已经有6人回复
Alpha1024
新虫 (正式写手)
- 应助: 0 (幼儿园)
- 金币: 392.1
- 散金: 75
- 帖子: 456
- 在线: 23.6小时
- 虫号: 13952296
- 注册: 2019-02-01
- 专业: 金属材料表面科学与工程
2楼2023-11-21 15:50:24
