Recientemente ejecuté un código que convierte datos unidimensionales en imágenes bidimensionales. El enlace del código es el siguiente:
Geración de imágenes GASF-GADF-MTF para clasificación por aprendizaje profundo residual (ResNet) 
https://github.com/kalishcode/GASF-GADF-MTF hasta que el resultado de salida final encontró idxmin y siguió informando un error. día, así que resumiré el proceso en el medio.
log = pd.DataFrame(hist.history)
log['time'] = (time.time() - start)
print('----------- Resultados -----------')
print('Loss: ', log.loc[log['loss'].idxmin]['loss'])# 报错位置
print('Acc: ', log.loc[log['loss'].idxmin]['val_accuarcy'])
print('Tempo de processamento: %.2f segundos.' % (time.time() - start))
log.to_pickle('Resultados_' + datafile)El mensaje de error es el siguiente:
El valor de verdad de un DataFrame es ambiguo. Use a.empty, a.bool(), a.item(), a.any() o a.all().
Después de revisar durante mucho tiempo, es porque el uso de idxmin en este código no está estandarizado y debería haber corchetes.
print('Loss: ', log.loc[log['loss'].idxmin()]['loss'])Finalmente, se puede pasar sin problemas después de modificarse de esta manera, y idxmin es el índice devuelto,
La forma más concisa de entenderlo es la siguiente figura: student_info.idxmin() en la figura se refiere al índice del valor mínimo en chino, matemáticas e inglés, por lo que el resultado final de print(student_info.idxmin()) es:
chino :4
matemáticas: 0
inglés:0
Después de comprender esta imagen, es fácil comprender la impresión ('Pérdida:', log.loc[log['pérdida'].idxmin()]['pérdida']) utilizada en el texto. Este código se refiere a encontrar de the loss El más pequeño devuelve el índice.De acuerdo con este índice, se emite el contenido de la columna de pérdida correspondiente.Del mismo modo, se emite el contenido de la columna val_accuracy correspondiente. Representa el valor de pérdida del modelo ResNet de salida y el valor val_accuracy correspondiente