将权重从一个Conv2D图层复制到另一层
上下文 我已经使用Keras在MNIST上训练了一个模型.我的目标是在第一层之后打印图像，第一层是Conv2D层.为此，我将创建一个具有单个Conv2D层的新模型，在该模型中，我将从受过训练的网络中将权重复制到新的模型中. # Visualization for image ofter first convolution model_temp = Sequential() model_
..
conv-neural-network相关内容
如果可以激活一个以上的输出，那么，softmax层的替代品是什么?
例如，我有CNN试图从MNIST数据集(使用Keras编写的代码)中预测数字.它有10个输出，构成softmax层.输出中只有一个是真实的(对于从0到9的每个数字都是独立的): Real: [0, 1, 0, 0, 0, 0, 0, 0, 0, 0] Predicted: [0.02, 0.9, 0.01, 0.01, 0.01, 0.01, 0.01, 0.01, 0.01, 0.01]
..
在卷积神经网络中计算特征图的维数
我在Keras中有卷积神经网络. 我需要知道每一层中要素地图的尺寸. 我的输入是28 x 28像素的图像.我知道有一种方法可以计算这个，但我不确定.以下是我使用Keras的代码段. img_rows, img_cols = 28, 28 nb_filters = 32 nb_pool = 2 nb_conv = 3 model = Sequential() model.add(Con
..
凯拉斯(Keras)池中的最大随时间推移
我将Keras中的CNN用于NLP任务，而不是最大池化，我试图在一段时间内实现最大池化. 关于如何实现这一目标的任何想法/技巧? 我随时间推移的最大值池的意思是汇集最高值，无论它们在向量中的何处 解决方案 假设您的数据形状为(batch_size, seq_len, features)，则可以应用: seq_model = Reshape((seq_len * featu
..
TypeError:意外的关键字参数传递给了优化器:learning_rate
我正在尝试加载在Azure VM(NC促销)上受过训练的Keras模型.但是我遇到了以下错误. TypeError:意外的关键字参数传递给了Optimizer:learning_rate 编辑: 这是我用来加载模型的代码段: from keras.models import load_model model = load_model('my_model_name.h5')
..
在Keras/TensorFlow中使用可变大小的输入来训练全卷积神经网络花费了不合理的长时间
我正在尝试为图像分类实现FCNN，以接受可变大小的输入.该模型是在带有TensorFlow后端的Keras中构建的. 考虑以下玩具示例: model = Sequential() # width and height are None because we want to process images of variable size # nb_channels is either
..
为什么在Keras中不同的批次大小会给出不同的精度?
我正在使用Keras的CNN对MNIST数据集进行分类.我发现使用不同的批处理大小会产生不同的精度.为什么会这样呢? 使用批量大小1000 (Acc = 0.97600) 使用批量大小10 (Acc = 0.97599) 尽管差异很小，为什么还存在差异? 编辑-我发现差异只是因为精度问题，实际上它们是相等的. 解决方案 这是因为在训练过程中出现了Mini-batch梯度下
..
Keras fit在第一个纪元结束时冻结
我目前正在尝试使用Keras对VGG16网络进行微调. 我开始对猫和狗的数据集进行一些调整. 但是，在当前配置下，训练似乎在第一个时期就被阻止了 from keras import applications from keras.preprocessing.image import ImageDataGenerator from keras import optimizers f
..
检查输入时出错:预期conv2d_1_input具有4维，但数组的形状为(800，1000)
我正在尝试使用CNN进行情感分析 我的代码将数据传递给convolution2D时，我的数据的形状为(1000,1000)，这将向我抛出错误.我无法解决. 我尝试下面的解决方案，但仍然面临问题. 扩建CNN时，我收到了Keras的投诉，这些投诉对我来说是没有道理的. 我的代码在下面. TfIdf = TfidfVectorizer(max_features=1000) X = TfI
..
在Keras中更改预训练的AlexNet分类
我使用具有预训练权重的AlexNet(heuritech/convnets-keras)解决8类而不是1000个类别的分类问题.用Model(input=..,output=..)初始化网络并加载初始权重后，我删除了最后两层， Dense(1000)和Activation(softmax)，并添加我自己的两层:Dense(8)和Activation(softmax). 但是然后，在运行后我得到了一
..
两个平行的conv2d层(keras)
我要两个人建立一个神经网络，以两个具有相同维度(例如灰度图像)的单独矩阵作为输入，并输出一个介于-1和1之间(可能为tanh)的值. 我想构建网络，以便有两个独立的卷积层作为输入.每一个取一个矩阵(或图像).然后将这些内容合并到下一层.所以我希望它看起来像这样: 我的第一个问题是我可以在keras中执行此操作吗(或者如果不在tensorflow中执行此操作)? 第二个问题是?是否有意义
..
Keras TimeDistributed Conv1D错误
这是我的代码: cnn_input = Input(shape=(cnn_max_length,)) emb_output = Embedding(num_chars + 1, output_dim=32, input_length=cnn_max_length, trainable=True)(cnn_input) output = TimeDistributed(Convolution
..
ValueError:Tensor:(...)不是此图的元素
我正在使用keras的预训练模型，尝试获取预测时出现错误.我在Flask服务器中有以下代码: from NeuralNetwork import * @app.route("/uploadMultipleImages", methods=["POST"]) def uploadMultipleImages(): uploaded_files = request.files.getl
..
如何在不使用model.fit_generator的情况下将旋转应用于Keras中的图像?
我正在使用卷积神经网络研究图像像素分类问题. 我的训练images的大小为128x128x3，而 标签mask是128x128 我在Keras进行如下培训: Xtrain, Xvalid, ytrain, yvalid = train_test_split(images, masks,test_size=0.3, random_state=567) model.fit(Xtrain,
..
如何在keras中进行多类图像分类?
这就是我所做的.我得到了用于狗/猫图像分类的代码，并且我编译运行后获得了80％的准确性.我在火车和验证文件夹中又添加了一个类(飞机)文件夹.在以下代码中进行了更改 model.compile(loss='categorical_crossentropy', optimizer='rmsprop', metrics=['accuracy'
..
Keras功能模型可提供较高的验证准确性，但预测不正确
我正在尝试使用PASCAL VOC 2012数据集上具有'ImageNet'预训练权重的VGG16架构进行迁移学习. PASCAL VOC是具有20个类的多标签图像数据集，因此我修改了内置的VGG16模型，如下所示: def VGG16_modified(): base_model = vgg16.VGG16(include_top=True,weights='imagenet',i
..
使用我自己的微调网络可视化ConvNet过滤器，从而生成"NoneType"运行时:K.gradients(loss，model.input)[0]
我创建了一个经过微调的网络，该网络使用vgg16作为基础.我正在使用Python进行深度学习中的5.4.2可视化CovNet过滤器>(与Keras博客上的指南非常相似，以可视化convnet过滤器该指南仅使用vgg16网络.我的微调模型使用vgg16模型作为基础，例如: model.summary() Layer (type) Output Shape
..
keras cnn_lstm输入层不接受一维输入
我有一些长的一维矢量(3000位)，我要对其进行分类.之前，我已经实现了一个简单的CNN，可以相对成功地对它们进行分类: def create_shallow_model(shape,repeat_length,stride): model = Sequential() model.add(Conv1D(75,repeat_length,strides=stride,padd
..
ValueError:检查目标时出错:预期density_2具有4个维，但数组的形状为(7942，1)
我一直在使用以下功能API来使用CNN进行图像分类: def create_model(X_train, X_test): visible = Input(shape=(X_train.shape[0], X_train.shape[1], 1)) conv1 = Conv2D(32, kernel_size=4, activation='relu')(visible)
..
ValueError:Tensor Tensor(...)不是此图的元素.使用全局变量keras模型时
我正在使用flask运行Web服务器，并且在尝试使用vgg16时出现错误，vgg16是keras的预训练VGG16模型的全局变量.我不知道为什么会出现此错误，或者它是否与Tensorflow后端有关. 这是我的代码: vgg16 = VGG16(weights='imagenet', include_top=True) def getVGG16Prediction(img_path):
..