cnn相关内容
我有一个不平衡的数据集,想对代表性过高的类进行抽样不足.我该怎么做.我想使用 weightedrandomsampler,但我也愿意接受其他建议. 到目前为止,我假设我的代码必须具有如下结构.但我不知道该怎么做. trainset = datasets.ImageFolder(path_train,transform=transform)...sampler = data.Weight
..
当我尝试定义模型时,出现以下错误消息: max_pooling2d层的输入0与该层不兼容:预期ndim = 4,找到的ndim = 5.收到完整形状:[无,4、10、8、32]. 我正在使用的代码是: X_train = X_train.reshape(X_train.shape [0],8、10、1)X_test = X_test.reshape(len(X_test),10,8,1
..
免责声明,我知道,这个问题已经问了很多遍了,但是我尝试了他们的解决方案,但没有一个对我有用,因此,经过所有这些努力,我什么也找不到了,最终我不得不再问一次. 我正在使用cnns(PYTORCH)进行图像分类,我不想在GPU(nvidia gpu,与已安装的cuda/cuda兼容)上进行训练,我成功地在其上安装了网络,但问题出在数据. 如果torch.cuda.is_available():
..
我的数据的每个实例都是一个包含72个元素的数组.我试图构造一个1D cnn进行一些分类,但是出现了这个错误:检查目标时出错:预期density_31具有3维,但数组的形状为(3560,1) 这是我的代码: training_features = np.load('features.npy')training_labels = np.load('labels.npy')training_f
..
在导入的软件包和模型下面,这些软件包和模型被定义为允许访问构建操作, 将matplotlib.pyplot导入为plt将tensorflow导入为tf将numpy导入为np导入cv2导入操作系统从tensorflow.keras.preprocessing.image导入ImageDataGenerator从tensorflow.keras.preprocessing导入图像从tensorflo
..
我正在尝试通过参考以下文章来进行手写分类:
..
插入的keras库和软件包在下面, 导入keras从keras.models导入顺序从keras.layers.convolutional导入Conv2D从keras.layers导入Dense,Flatten,MaxPooling2D从keras.utils导入np_utils 初始化CNN模型 classifier = Sequential() #1第一步:-卷积 class
..
def cnn_data(data):x,y = data.shape [1:]返回data.reshape((-1,x,y,1)) 我们介绍以下代码中使用的此功能. model.fit(cnn_data(self.train_X),np.array(self.train_y),batch_size =批量大小,epochs = num_epochs,verbose = 1,class_
..
系统信息Colab Tensorflow 2.2.0 描述当前行为:当我尝试解决自己的数据问题(即多个标签语义细分)时,我遇到了此错误. 下面是代码 将tensorflow导入为tf将tensorflow.keras.backend导入为KIMG_WIDTH = 512IMG_HEIGHT = 512IMG_CHANNELS = 3#batch_shape =(512,512,3)#
..
我正在尝试在Pytorch上使用Mc Dropout实施贝叶斯CNN,主要思想是,通过在测试时应用辍学并遍历许多前向传递,您可以从各种不同的模型中获得预测.我找到了Mc Dropout的一个应用程序,但我真的没有得到他们如何应用此方法以及他们如何从预测列表中选择正确的预测 这是代码 def mcdropout_test(model):model.train()test_loss = 0正确
..
我有两个文件夹X_train和Y_train. X_train是图像,Y_train是矢量和.txt文件.我尝试训练CNN进行回归. 我不知道如何获取数据和训练网络.当我使用"ImageDataGenerator"时, ,它假设X_train和Y_train文件夹是类. import os import tensorflow as tf os.chdir(r'C:\\Data') fr
..
我的CNN有胡说八道的问题.它在测试和验证数据上具有良好的准确性,但在预测方面确实很糟糕,我无法弄清原因. 我有一个包含traningData和TestData的文件夹,每个文件夹都有5个子文件夹,分别为classA,classB. classC,classD,classE.他们都有相关的图片. -----此问题的解决方案--------- 我发现了错误,这就是为什么我清除了我的问题以
..
我已经训练了CNN,可以将图像分类为3类. 在训练模型时,我使用了来自keras的ImageDataGenerator类将预处理功能应用于图像并对其进行缩放. 现在,我的网络已经在测试集上得到了很好的培训,但是我不知道如何在单个图像预测上应用预处理功能.如果我使用ImageDataGenerator,它将查找目录. 向我建议一些替代方法,以对单个图像执行预处理功能和重新缩放. 在下面查看我的代码
..
这是我的工作: 我标注了“活"细胞的图像(约8.000)和“死"细胞的图像(约2.000)(测试集分别为800和200) 我正在使用CNN(具有tensorflow和keras)以便将图像分类为“活着"或“死亡". 我训练了我的模型:验证损失= 0.35,召回率= 0.81,准确性= 0.81. 这是问题所在:如何获取分类为“活动"或“死"的图像列表,以便我可以检查它们(也许某些图
..
我正在一个项目中,我必须将CNN的输出传递到双向LSTM.我按如下方式创建了模型,但抛出了“不兼容"错误.请让我知道我要去哪里错了以及如何解决这个问题 model = Sequential() model.add(Conv2D(filters = 16, kernel_size = 3,input_shape = (32,32,1))) model.add(Batc
..
我想在预训练的CNN(VGG)之上构建LSTM来对视频序列进行分类-因此LSTM将被VGG的最后一个FC层提取的特征所馈送。这样的架构就像: 我写了代码: def build_LSTM_CNN_net() 从keras.applications.vgg16导入VGG16 从keras.models导入Model 从keras。图层从keras.layers.pooling导入密集
..
我在cnn 中2层之间的元素明智加权平均中遇到错误我的基本模型是 model_base = Sequential() #转换图层1 model_base.add(layers.SeparableConv2D(32,(9,9),activation ='relu',input_shape = input_shape)) model_base.add(layers.MaxPoolin
..
我将VGG模型每一层的权重和偏差值保存为.h5文件。我从以下文件中获取文件: https://github.com/ fchollet / deep-learning-models / releases / tag / v0.1 现在,假设我要更改该文件中的一些值。借助如何使用h5py覆盖h5文件中的数组,我尝试执行以下操作: import h5py file_name =“ v
..
我必须获取EfficientNet的最后一个conv层的输出,然后计算H = wT * x + b。我的w是[49,49]。之后,我必须在H上应用softmax,然后进行元素逐乘Xì= Hi * Xi。 这是我的代码: common_input = layers.Input(shape =(224,224,3)) x = model0(common_input)#model0以Effic
..
我试图将输入添加到并行路径cnn中,以形成残差的体系结构,但是我遇到了尺寸不匹配的情况。 来自keras导入层,模型 input_shape =(128,128,3)#相应地更改此值 my_input = layers.Input(shape = input_shape)#一个输入 def parallel_layers(my_input,parallel_id = 1): x =
..