python - 训练完成后在神经网络中测试数据的代码

Question

我修改了网上找到的代码供我使用。神经网络训练完成。但我不确定如何进行数据集测试。我的数据集包含 350 个条目，我想将其中一半用于训练，另一半用于测试。任何人都可以帮助我了解代码在测试模块中的样子吗？ 神经网络的结构: 它有3个隐藏层 它有 34 列 谢谢

这是我在训练中使用的工作代码:

import numpy as np
import csv

X = X = np.array([[float(cell) for cell in row[:-1]] for row in      csv.reader(open('C:/Users/Acer/Desktop/final sem/Project/Implementation/nn.csv'))])

Y = np.array([float(row[-1]) for row in   csv.reader(open('C:/Users/Acer/Desktop/final sem/Project/Implementation/nn.csv'))])

syn0 = 2*np.random.random((34,26)) - 1

syn1 = 2*np.random.random((26,18)) - 1

syn2 = 2*np.random.random((18,11)) - 1


syn3 = 2*np.random.random((11,6)) - 1


for j in xrange(350):

  l1 = 1/(1+np.exp(-(np.dot(X,syn0))))
  l2 = 1/(1+np.exp(-(l1.dot(syn1))))
  l3 = 1/(1+np.exp(-(l2.dot(syn2))))
  l4 = 1/(1+np.exp(-(l3.dot(syn3))))

  l4_delta = (Y[j] - l4)*(l4*(1-l4))
  l3_delta = l4_delta.dot(syn3.T) * (l3 * (1-l3))
  l2_delta = l3_delta.dot(syn2.T) * (l2 * (1-l2))
  l1_delta = l2_delta.dot(syn1.T) * (l1 * (1-l1))

  syn3 += np.dot(l3.transpose(),l4_delta)
  syn2 += np.dot(l2.transpose(),l3_delta)
  syn1 += np.dot(l1.transpose(),l2_delta)
  syn0 += X.T.dot(l1_delta)

Answer 1

据我了解，您想使用神经网络对数据集的条目进行分类。
因此在训练之后，您的网络可能能够将这些条目分组到6 个不同的类别，因为您的最后一层有 6 个神经元。

这是我想要的:

• 取数据集的条目之一
• 使用条目计算网络的输出，即使用 for 循环的相同更新，直到行 l4 = 1/(1+np.exp(-(l3 .dot(syn3))))。 (训练后，您不再更新突触权重 syn0,syn1, ...)。
• 您将在 l4 中得到 6 个值的输出，您必须对其进行解释。
• 我认为通常的解释是这样的:假设 l4 中的第三个值最大，那么您的样本是第 3 类。
• 现在，大多数与前一个样本相似的样本也应归类为第 3 类项目。
• 这样，您的神经网络应该能够识别样本中的模式

希望对您有所帮助。这是非常笼统的，但你的例子也是如此，因为我们不知道你的数据是什么，它看起来像什么，或者你在其中搜索什么。