将用户输入实现到神经网络

Question

我有一些理论上的问题，也有我原来的问题。我对Keras并不陌生，并且有一些逻辑上的问题。第一个问题是关于火车，测试等的问题。我来自使用Sci-kit学习，通常使用test_train_split库来执行此操作（我假设我可以在这里做同样的事情吗？）我的下一个问题是功能和标签的转换。到目前为止，根据我的理解，我们无法将字符串输入神经网络，因此必须进行某种形式的标准化。我了解了分类变量的记号化或伪变量，应该对数值进行归一化。我的问题是：特征向量中有5列（2类和3数值）。我可以为2类创建虚拟变量，然后对整个特征向量进行归一化吗？之后，我的问题将在下面的代码中关于input_shape（x，y）。下面的示例代码来自图像识别。假设我要使用自己的数据集，是否需要事先知道input_shape并以这种方式定义它？还是模型可以学习的东西？我的最后一个问题是：说特征向量由变量a，b，c和d组成。我如何让用户输入a，b，c和d的值，并让模型给出输出？在示例中，将模型从CSV加载到数据框中，然后将这些数据吐入功能和标签的测试和培训中。在这种情况下，我是否需要将用户变量存储到数据框中以使模型预测输出？我指的是用于图像的代码，但我的用例不是图像，而是整数。代码：from keras.datasets import mnistfrom keras import modelsfrom keras import layers(train_images, train_labels), (test_images, test_labels) = mnist.load_data()model = model.Sequential()model.add(layers.Dense(16, activation = 'relu', input_shape = (10000,)))model.add(layers.Dense(16, activation = 'relu'))model.add(layers.Dense(1, activation = 'sigmoid'))model.compile(optimizer= 'rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])model.fit(train_images, train_labels, epochs=5, batch_size=64)test_loss, test_acc = model.evaluate(test_images, test_labels)任何帮助都将非常有用，因为我对此还很陌生！