利用CNN处理基于人体行为识别TensorFlow实战(二)(搭建神经网络)

最新推荐文章于 2024-06-09 18:00:23 发布

原创

最新推荐文章于 2024-06-09 18:00:23 发布 · 6.1k 阅读

64 ·

CC 4.0 BY-SA版权

本文介绍了如何利用TensorFlow搭建CNN神经网络进行人体行为识别。内容包括定义数据类型、设置神经网络参数、构建CNN、设置loss和评估指标，并通过Session进行训练。作者分享了数据预处理的技巧，强调了防止过拟合的方法，并预告将探讨使用RNN解决此类问题。

搭建神经网络

在上次我们已经学会了如何去制作数据集,并且学习到了一些处理数据的方法和工具,那么现在我们就学习如何去搭建一个神经网络,我们所有的代码都已经上传到了github上面,有需要的同学可以进行查阅,现在开始学习如何搭建神经网络

1,定义数据类型

在我们搭建网络之前,我们首先要确定,我们给网络中送入的数据到底是以什么形式送进去的,这一点很关键,对于我们这个数据集来说,我们想让他按照每组中包含100条信息的格式送入网络,那么我们会将每一组数据处理为一个三维数组,那么三维数组的的每一维分别是1*100*3,如果我们将这个三维数组看做一个图片的话,那么1和100就分别是这个图片的长和宽,而3就代表图片的三原色,其实就是我们数据中的xyz,那么我们总共有600条这样的数据,那我们就在给他加上一个维度,这样就是一个四维的数组了,然后测试集的数据也要这样处理,然后我们说一下如何处理标签文件,我们首先应该将标签文件转化成onehot数据类型,由于我们只有六个类别,所以在txt中数据的格式应该是600*6的样子,那么我们就将标签文件转化为一个600*6的二维矩阵.到了现在我们已经将数据利用numpy全部处理完毕了,下面的代码有助于你们理解.

Train_labels = np.loadtxt("/home/amyassient/PycharmProjects/HCNA-AI/WISDM_ar_v1.1/Train_labels.txt")
Train_data = np.loadtxt("/home/amyassient/PycharmProjects/HCNA-AI/WISDM_ar_v1.1/Train_data.txt")
Train_data = np.reshape(Train_data,(600,1,100,3))
Train_labels = np.reshape(Train_labels,(600,6))

Test_labels = np.loadtxt("/home/amyassient/PycharmProjects/HCNA-AI/WISDM_ar_v1.1/Test_labels.txt"

最低0.47元/天解锁文章