👍 Будем знать

если в одну фигуру, то первая фигура должна быть чистая, по сути. но у меня сразу так выходит

и правда, помогло! спасибо!

👍

Всём привет! у мен к вам вопрос по нейронке, даёт плохой результат, очень

X = base_model.output
X = Flatten()(X)
X = Dense(2048, activation='relu')(X)
X = Dropout(0.2)(X)
X = Dense(1024, activation='relu')(X)
X = Dropout(0.2)(X)
X = Dense(512, activation='relu')(X)
X = Dropout(0.2)(X)
X = Dense(256, activation='relu')(X)
X = Dropout(0.2)(X)
X = Dense(128, activation='relu')(X)
X = Dropout(0.2)(X)
X = Dense(64, activation='relu')(X)
predictions = Dense(outputs_number, activation="relu")(X)
вот нейроны

model.compile( loss = 'binary_crossentropy', optimizer=opt, metrics=['accuracy'] )
модель

вот что на выходе

А что предсказываете?

p.s. на выходе у меня может быть несколько признаков одновременно

лицо человека, какой глаз открыт, открыт ли рот, и повёрнута ли голова

а какие данные на вход подаются?

фото, и признаки берутся с таблицы и через генератор

Для изображений стоит использовать свертки, на выходе в вашем случае лучше ставить сигмоиду или тангенс. Если данные табличные, то, возможно, даже уменьшить сеть. Я бы попробовал переобучить на одном батче.

ну вообще вряд ли получится что то вменяемое от обычной полносвязной сети, можно взять предобученную сеть и зафайнтюнить на своих данных.

а данных много?

по 1000 на каждый признак

Ну для начала почему лосс такой?

ну у меня же бинарная классификация, этот наиболее подходящий