keras相关内容
Keras 最近推出了 tf.keras.preprocessing.image_dataset_from_directory 函数,它比之前 tensorflow 2.x 中的 ImageDataGenerator.flow_from_directory 方法更有效. 我正在练习 catvsdogs 问题,并使用此函数为我的模型构建数据管道.训练模型后,我使用 preds = model.
..
我正在尝试实现类似 如果 np.max(subgrid) == np.min(subgrid):middle_middle = cur_subgrid + 1别的:middle_middle = cur_subgrid 由于条件只能在运行时确定,我使用 Keras 语法如下 middle_middle = K.switch(K.max(subgrid) == K.min(subgrid),
..
我刚刚构建了一个深度学习平台(AMD 12 核线程撕裂器;GeForce RTX 2080 ti;64Gb RAM).本来想在 Ubuntu 19.0 上安装 CUDnn 和 CUDA 的,但是安装太痛苦了,看了一会,决定切换到 Windows 10... 在 condas 内外安装了几次 tensorflow-gpu 之后,我遇到了进一步的问题,我认为这些问题归结为 CUDnn-CUDA-
..
在 fit_generator() 的文档中(文档:https://keras.io/models/sequential/#fit_generator) 它表示参数 use_multiprocessing 接受一个布尔值,如果设置为 True 则允许基于进程的线程. 它还说参数workers是一个整数,它指定如果使用基于进程的线程,要启动多少进程.显然它默认为 1(基于单个进程的线程),如果
..
由于RAM内存的限制,我跟着这些指令并构建了一个生成器,它可以绘制小批量并将它们传递给 Keras 的 fit_generator.但是即使我继承了序列,Keras 也无法使用多处理准备队列. 这是我的多处理生成器. 类 My_Generator(Sequence):def __init__(self, image_filenames, labels, batch_size):self.i
..
我有一个时间序列数据集,其中包含一整年的数据(日期是索引).每 15 分钟(全年)测量一次数据,每天测量 96 个时间步长.数据已经标准化.变量是相关的.除 VAR 以外的所有变量都是天气测量值. VAR 在一天和一周内是季节性的(因为它在周末看起来有点不同,但每个周末都不太一样).VAR 值是固定的.我想预测接下来两天(提前 192 步)和接下来 7 天(提前 672 步)的 VAR 值.
..
我只是从 kaggle post 测试这个模型 这个模型假设从给定的最后一组股票预测提前 1 天.如您所见,在调整了几个参数后,我得到了令人惊讶的好结果.均方误差为 5.193.所以总体而言,它看起来很擅长预测未来的股票,对吧?好吧,当我仔细查看结果时,结果很糟糕. 如您所见,此模型正在预测给定股票的最后价值,即我们当前的最后一只股票. 所以我确实将预测调整到了退一步..所以现在您可以清楚
..
我一直在阅读有关 Keras RNN 模型(LSTM 和 GRU)的文章,作者似乎主要关注语言数据或使用由先前时间步长组成的训练实例的单变量时间序列.我的数据有点不同. 我有 20 个变量在 10 年内每年测量 100,000 人作为输入数据,并将第 11 年测量的 20 个变量作为输出数据.我想做的是预测第 11 年的其中一个变量(而不是其他 19 个)的值. 我的数据结构为 X.s
..
我正在尝试使用 LSTM 进行商店销售预测.这是我的原始数据的样子: |日期 |商店ID |销售 |温度 |打开 |店铺类型 ||------------|---------|--------|-------------|---------|------------||2016 年 1 月 1 日 |1 |0 |36 |0 |1 ||2016 年 1 月 2 日 |1 |10100 |42 |1
..
我正在尝试根据约 4000 只股票的每日基本面和价格数据训练 LSTM 模型,由于内存限制,在转换为模型的序列后,我无法将所有内容都保存在内存中. 这导致我改用生成器,例如 TimeseriesGenerator 来自 Keras/Tensorflow.问题是,如果我尝试在所有堆叠的数据上使用生成器,它会创建混合股票序列,请参见下面的示例,序列为 5,这里 Sequence 3 将包括最后
..
所以我遇到了一个问题,即如何在 Keras 中将 CNN 与 RNN 结合起来.在发布问题时,有人指出这是解决问题的正确方法.显然我只是忽略了原始代码中的一些内容,这让我回答了我自己的问题. 原来的问题如下: 如何在 Keras 中创建一个模型,将图像序列作为输入,CNN“查看"每个单独的图像,并将 CNN 输出序列输入 RNN? 为了更清楚: 模型一:查看单个图像的 CN
..
我正在尝试在 Keras 中使用多元 LSTM 进行多步时间序列预测.具体来说,我最初为每个时间步长有两个变量(var1 和 var2).跟着在线教程here,我决定使用时间数据(t-2) 和 (t-1) 来预测 var2 在时间步 t 的值.如示例数据表所示,我使用前 4 列作为输入,Y 作为输出.我开发的代码可以看here,但是我有三个问题. var1(t-2) var2(t-2) var
..
我想预测某些每周可预测的值(低 SNR).我需要预测由一年中的几周形成的一年的整个时间序列(52 个值 - 图 1) 我的第一个想法是使用 Keras over TensorFlow 开发多对多 LSTM 模型(图 2).我正在使用 52 个输入层(上一年的给定时间序列)和 52 个预测输出层(明年的时间序列)来训练模型.train_X 的形状是 (X_examples, 52, 1),换句
..
我正在尝试在假期中获得一些使用 Keras 的经验,我想我会从教科书的股票数据时间序列预测示例开始.所以我要做的是给定过去 48 小时的平均价格变化(自上一个以来的百分比),预测未来一小时的平均价格变化是多少. 但是,在针对测试集(甚至是训练集)进行验证时,预测序列的幅度相差甚远,有时会转移为始终为正或始终为负,即偏离 0% 的变化,我认为这对于这种事情是正确的. 我想出了以下最小示例
..
我已经在服务器上安装了 Anaconda 软件包作为用户帐户,然后我通过 conda install keras 安装了 keras,但是安装后,当我运行 import keras 时,它引发了 no module names keras,有人可以帮忙吗?非常感谢! 解决方案 一个解决方案可能是创建一个 conda 环境: conda create -n keras python=3.5
..
我正在使用支持 MKL 的 Tensorflow 的 Anaconda 发行版. 从 tensorflow.python.framework 导入 test_utiltest_util.IsMklEnabled() 此代码打印 True.但是,当我编译我的 Keras 模型时,我仍然得到 您的 CPU 支持此 TensorFlow 二进制文件不支持的指令编译使用:AVX AVX2
..
我为 GPU 安装了 Tensorflow:pip install tensorflow-gpu但是当我为 Keras pip install keras-gpu 尝试同样的方法时,它给我一个错误:找不到满足要求的版本. 解决方案 没有没有任何keras-gpu包[UPDATE:现在有,见下面的其他答案];Keras 是一些后端的封装,包括 Tensorflow,这些后端可能有不同的版本,
..
我的电脑安装了以下软件:Anaconda (3)、TensorFlow (GPU) 和 Keras.有两个 Anaconda 虚拟环境 - 一个使用 TensorFlow 用于 Python 2.7,一个用于 3.5,两个 GPU 版本,安装到 TF 指令.(我之前在一个单独的环境中安装了一个 CPU 版本的 TensorFlow,但我已经删除了它.) 当我运行以下命令时: source
..
所以我最近通过anaconda提示下载了keras(我已经成功下载了其他包).它确实有效,因为我能够在 Jupyter Notebook 中导入 keras.但是,现在我在打开 Anaconda 提示时遇到以下问题: C:\Users\[用户名]>python C:\Users\[用户名]\Anaconda3\etc\keras\load_config.py 1>temp.txtpython:无
..
在编写自定义生成器来训练 Keras 模型时,我最初尝试使用 generator 语法.所以我从 __next__ 中yield.但是,当我尝试使用 model.fit_generator 训练我的模式时,我会收到一个错误,即我的生成器不是迭代器.解决方法是将 yield 更改为 return,这也需要重新调整 __next__ 的逻辑以跟踪状态.与让 yield 为我完成工作相比,这相当麻烦.
..