keras相关内容
我目前正在使用 LSTM 层训练用于天气预报的循环神经网络.网络本身非常简单,大致如下所示: model = Sequential()model.add(LSTM(hidden_neurons, input_shape=(time_steps, feature_count), return_sequences=False))模型.添加(密集(特征计数))模型.添加(激活(“线性")) LS
..
我正在尝试创建一个 CNN 来对数据进行分类.我的数据是 X[N_data, N_features]我想创建一个能够对其进行分类的神经网络.我的问题是关于 keras 后端的 Conv1D 的输入形状. 我想重复一个过滤器......假设有 10 个特征,然后对接下来的 10 个特征保持相同的权重.对于每个数据,我的卷积层将创建 N_features/10 个新神经元.我该怎么做?我应该在
..
在 Keras 中,为了预测数据测试的类别,使用了 predict_classes(). 例如: classes = model.predict_classes(X_test,batch_size=32) 我的问题是,我知道batch_size在训练中的用法,但是为什么它需要一个batch_size来进行预测?它是如何工作的? 解决方案 Keras 可以同时预测多个值,就像你输入
..
我对神经网络和 keras 有点陌生.我有一些大小为 6*7 的图像,过滤器的大小为 15.我想有几个过滤器并在每个过滤器上分别训练一个卷积层,然后将它们组合起来.我在这里看过一个例子: model = Sequential()model.add(Convolution2D(nb_filters, kernel_size[0], kernel_size[1],border_mode='valid
..
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 |店铺 ID |销售 |温度 |打开 |店铺类型 ||------------|---------|-------|-------------|---------|-----------||01/01/2016 |1 |0 |36 |0 |1 ||01/02/2016 |1 |10100 |42 |1 |1 ||...
..
我看到 imageDataGenerator 允许我指定不同风格的数据规范化,例如featurewise_center、samplewise_center 等 我从示例中看到,如果我指定这些选项之一,那么我需要调用生成器上的 fit 方法,以便允许生成器计算统计数据,例如生成器上的平均图像. (X_train, y_train), (X_test, y_test) = cifar10.lo
..
我对 keras 还很陌生,我已经建立了一个简单的网络来尝试: import numpy as np;从 keras.models 导入顺序;从 keras.layers 导入密集,激活;数据= np.genfromtxt("./kerastests/mydata.csv", delimiter=';')x_target=data[:,29]x_training=np.delete(data,6
..
我正在尝试使用深度学习来预测来自约会网站的 15 个自我报告属性的收入. 我们得到了相当奇怪的结果,与我们的训练数据相比,我们的验证数据获得了更高的准确性和更低的损失.这在不同大小的隐藏层中是一致的.这是我们的模型: 对于 [250, 200, 150, 100, 75, 50, 25, 15, 10, 7] 中的 hl1:定义基线模型():模型 = 顺序()model.add(密集(hl
..
有人可以解释一下吗?我知道双向 LSTM 有前向和后向传递,但与单向 LSTM 相比,这有什么优势? 它们各自更适合什么? 解决方案 LSTM 在其核心中,使用隐藏状态保留来自已经通过它的输入的信息. 单向 LSTM 只保留过去的信息,因为它看到的唯一输入来自过去. 使用双向将以两种方式运行您的输入,一种从过去到未来,一种从未来到过去,这种方法与单向的不同之处在于,在向后
..
我想将一个只有一个神经元(3 个输入,二进制输出)的简单神经网络的决策边界可视化.我正在从 Keras NN 模型中提取权重,然后尝试使用 matplotlib 绘制表面平面.不幸的是,超平面没有出现在散点图上的点之间,而是显示在所有数据点的下方(参见输出图像). 我正在使用等式计算超平面的 z 轴z = (d - ax - by)/c 对于定义为 ax + by + cz = d 的超平
..
我正在尝试使用学习的 .h5 文件进行预测.学习模型如下. model =Sequential()model.add(Dense(12, input_dim=3, activation='relu'))model.add(Dense(8, activation='relu'))model.add(密集(4, activation='relu'))model.add(Dense(1, activa
..
我一直在尝试合并以下顺序模型,但未能成功.谁能指出我的错误,谢谢. 代码在使用“merge"时编译但给出以下错误“TypeError: 'module' object is not callable"但是它在使用“合并"时甚至不会编译 我使用的是 keras 2.2.0 版和 python 3.6 from keras.layers 导入合并def linear_model_comb
..
我有以下数据 (X) 存储在一个 numpy 数组中: array([[ 0.82737724, -0.5924806, 0.43279337, ..., 0.91896631,-0.28188124, 0.58595414],[-1.56610693, 0.63878901, 0.43279337, ..., 1.28262456,1.16154512, -1.9423032 ],[ 0.82
..
我有 10 个类数据集,我得到了 85% 的准确率,在保存的模型上得到了相同的准确率.现在我想添加一个新类,如何将一个新类添加到保存的模型中.我尝试删除最后一层并进行训练,但模型过度拟合,并且在预测中每个图像都显示相同的结果(新添加的类). 这是我做的 model.pop()base_model_layers = 模型.输出pred = Dense(11, activation='soft
..
我对更新 Keras 中现有的图层参数感兴趣(不是删除图层并插入一个新图层,而是修改现有参数). 我将举一个我正在编写的函数的例子: def add_filters(self, model):conv_indices = [i for i, layer in enumerate(model.layers) if 'convolution' in layer.get_config()['na
..
我使用 sklearn 加载了 8000 张图像.datasets.load_files 并通过来自 keras 的 resnet 获得瓶颈特征.然而,这项任务在 GPU 上需要几个小时,所以我想知道是否有办法告诉 load_files 加载 20% 之类的数据百分比. 我这样做是为了训练我自己的顶层(最后一个密集层)并将其附加到 resnet. def load_dataset(path
..
学习使用 Python 进行深度学习,我无法理解以下将整数序列编码为二进制矩阵的简单代码. def vectorize_sequences(序列,维度=10000):# 创建一个形状为 (len(sequences), 维度) 的全零矩阵结果 = np.zeros((len(sequences), 维度))对于 i,enumerate(sequences) 中的序列:results[i, seq
..
对于二进制分类问题,我从 keras evaluate_generator() 和 predict_generator() 获得了不同的模型准确度: defevaluate_model(model, generator, nBatches):score = model.evaluate_generator(generator=generator, # 生成元组的生成器steps=generato
..
我对 Keras 真的很陌生,所以如果我的查询有点愚蠢,请原谅我.我使用默认方法在我的系统中安装了 Keras,它运行良好.我想在 Keras 中添加一个新的优化器,以便我可以在 model.compile 函数下轻松提及“optimizer = mynewone".如何更改 Keras 中的“optimizer.py"代码并确保更改反映在我的 Keras 环境中.这是我尝试过的: 假设我在
..
我正在尝试实现一个简单的 RNN 来预测整数序列中的下一个整数.所以,我有一个如下的数据集: Id 序列1 1,0,0,2,24,552,21280,103760,70299264,5792853248,5871599447042 1,1,5,11,35,93,269,747,2115,5933,16717,47003,132291,372157,1047181,2946251,8289731,
..