堆叠 MNIST 和 Fashion_MNIST 的困难 使用上面的连接对整个大小使用 1 或 0，然后减去或添加或重新分配其余部分

如何解决堆叠 MNIST 和 Fashion_MNIST 的困难 使用上面的连接对整个大小使用 1 或 0，然后减去或添加或重新分配其余部分

我知道这对你们来说很基本而且太容易了，但我是一个需要你们帮助的初学者。 我正在努力用 CNN 制作二元分类器。 我的最终目标是检查精度超过 0.99

我同时导入 MNIST 和 FASHION_MNIST 以识别它是号码还是服装。 所以有2个类别。我想将 0-60000 归类为 0，将 60001-120000 归类为 1。 我将使用 binary_crossentropy。

但我不知道如何从头开始。 一开始怎么用vstack hstack把MNIST和FASHION_MNIST结合起来？

到目前为止我就是这样尝试的

****import numpy as np
from keras.datasets import mnist
from keras.datasets import fashion_mnist
import keras
import tensorflow as tf
from keras.utils.np_utils import to_categorical
num_classes = 2
train_images = train_images.astype("float32") / 255
test_images = test_images.astype("float32") / 255
train_images = train_images.reshape((-1,784))
test_images = test_images.reshape((-1,784))
train_labels = to_categorical(train_labels,num_classes)
test_labels = to_categorical(test_labels,num_classes)****

解决方法

首先

它们是图像，因此最好将它们视为图像，而不是将它们重塑为矢量。

现在问题的答案。假设您有 mnist_train_image 和 fashion_train_image，它们都有 (60000,28,28) 输入形状。

你要做的是由两部分组成，结合输入和制定目标。

首先输入

正如您已经在问题中所写，您可以像这样使用 np.vstack

>>> train_image = np.vstack((fashion_train_image,mnist_train_image))
>>> train_image.shape
(120000,28)

但是正如您应该已经注意到的那样，记住您是否需要 vstack 或 dstack 或 hstack 有点痛苦。我更喜欢用 np.concatenate 代替

>>> train_image = np.concatenate((fashion_train_image,mnist_train_image),axis=0)
>>> train_image.shape
(120000,28)

现在不需要记住鸭子是什么 v 或 h 或 d，您只需要记住要连接的轴（或维度），在这种情况下，它是第一个轴，表示 0。特别是在这种情况下，“垂直”是第二个轴，因为它是一堆图像，第一个轴是“批次”。

接下来是标签

由于您想将 0-60000 归类为 0，将 60001-120000 归类为 1，因此有很多奇特的方法可以做到这一点。

但简而言之，您可以使用 np.zeros 创建一个填充为 0 的数组。您猜对 np.ones 可以创建一个填充为 1 的数组。但是作为两个 ones和 zeros 给你一个浮点数组，我不确定这是否会成为一个问题，所以我在后面添加了 .astype('uint8') 以防万一。您也可以在函数中添加参数 dtype='uint8'。

使用上面的连接

>>> train_labels = np.concatenate((np.zeros(60000),np.ones(60000))).astype('uint8')
>>> train_labels.shape
(120000,)

对整个大小使用 1 或 0，然后减去或添加或重新分配其余部分

>>> train_labels = np.zeros(120000).astype('uint8')
>>> train_labels[60000:] = 1
#####
>>> train_labels = np.ones(120000,dtype='uint8')
>>> train_labels[:60000] -= 1

重要！！！！

您的示例中有一个关于标签的明显错误，索引从 0 开始，因此第 60,000 个索引是 59,999。

所以你真正想要的是将 0-59999 归类为 0，将 60000-119999 归类为 1。