machine-learning相关内容
可重复性很重要.在一个开源机器学习项目中,我目前正在努力实现这一目标.有什么要看的部分? 解决方案 设置种子 计算机具有伪随机数生成器,这些伪随机数生成器使用称为种子的值进行初始化.对于机器学习,您可能需要执行以下操作: # I've heard the order here is important import random random.seed(0) import n
..
比方说,我的内存中有32个训练示例(批量大小为32).在for循环中调用fit与batch_size=1分别进行32次之间有区别吗?还是将所有经验集中在一个数组中并调用fit一次但以batch_size=32作为参数?结果或效果会有所不同吗? 解决方案 for i in range(32): model.fit(X,y,batch_size=1) 不要以这种方式训练您的模型!您
..
我是机器学习的新手.我试图对数据集进行预测,但是当我运行程序时,它给了我以下错误: NameError: name 'classifier' is not defined 这是我的代码: import numpy as np from keras.preprocessing import image test_image = image.load_img('dataset/sin
..
我正在处理seq2sql项目,并且成功构建了模型,但是在训练时出现错误.我没有使用任何Keras嵌入层. M=13 #Question Length d=40 #Dimention of the LSTM C=12 #number of table Columns batch_size=9 inputs1=Input(shape=(M,100),name='question_token'
..
我正在尝试训练神经网络,以对具有预定义段长的机械臂进行逆运动学计算.我没有在神经网络输入中包括段长度,而是通过训练数据.训练数据是一个具有手臂空间映射的熊猫数据框,其中标签是手臂三个部分的旋转角度,特征是最后一个部分的端点在其中的x和y坐标的解结束于. 我正在将Theano作为后端使用Keras. model = Sequential([ Dense(3, input_shape=(2
..
我正在尝试在Keras中微调模型: inception_model = InceptionV3(weights=None, include_top=False, input_shape=(150, 150, 1)) x = inception_model.output x = GlobalAveragePooling2D()(x) x = Dense(25
..
我的模型权重(我将它们输出到weights_before.txt和weights_after.txt)在训练前后精确地是相同的,即训练没有任何改变,没有拟合. 我的数据看起来像这样(我基本上希望模型预测特征的符号,如果特征为负,则 结果为0,如果为正): ,feature,zerosColumn,result 0,-5,0,0 1,5,0,1 2,-3,0,0 3,5,0,1 4,3,
..
跟随本文,我正在尝试实现生成型RNN.在提到的文章中,训练和验证数据作为完全加载的np.array传递.但是我正在尝试使用model.fit_generator方法并提供一个生成器. 我知道,如果这是一个简单的模型,则生成器应返回: def generator(): ... yield (samples, targets) 但这是一个生成模型,这意味着涉及两个模型:
..
我正在使用keras来构建一个简单的神经网络,如下所示: import keras from keras.models import Sequential from keras.layers import Dense classifier = Sequential() classifier.add(Dense(10, kernel_initializer='uniform', activat
..
通常,Keras中Conv2D的输入张量是尺寸为batch_size * n * n * channel_size的4D张量.现在我有一个尺寸为batch_size * N * n * n * channel_size的5D张量,我想为N中每个i的最后三个尺寸应用2D卷积层.例如,如果内核大小为1,则我希望输出的尺寸为batch_size * N * n * n * 1. 任何人都知道一些使
..
我已经在Google Cloud ML Engine上部署了一个模型,但是当我尝试执行预测(我正在使用curl)时,这是我获得的结果: {"error": "Prediction failed: Error during model execution: AbortionError(code=StatusCode.INVALID_ARGUMENT, details=\"You must fe
..
我是深度学习和keras/tensorflow的初学者. 我已经按照 tensorflow.org 上的第一个教程进行学习:这是时尚MNIST的基本分类. 在这种情况下,输入数据是60000张28x28图像,模型是这样的: model = keras.Sequential([ keras.layers.Flatten(input_shape=(28, 28)), ker
..
我很难找到答案. 我有以下形式的MXNet文件: model.json和model.params.用TensorFlow后端将网络加载到Keras安装中的最干净方法是什么? 解决方案 不幸的是,您无法将本机MXNet模型加载到Keras中. 您可以尝试使用 MMdnn 转换模型,但是根据模型的复杂性,可能不起作用.
..
对于我打算自发生成序列的模型,我发现逐个样本地训练它并保持其间的状态是最自然的.阅读了许多有用的资源后,我设法在Keras中构建了它. (因此: Q和两个奇妙的答案,Macine Learning Mastery 2 ,首先构造一个序列(在我的情况下也是单编码).通过将Y向前移动一个时间步,可以从该序列中删除X和Y.训练以一个样本和一个时间步为单位进行. 对于Keras,这看起来像这样:
..
我正在学习使用Keras功能API,并且已经设法构建和编译模型.但是,当我调用model.fit传递数据X和标签y时,出现了错误.看来我仍然不知道它是如何工作的. 任务是将句子分为6种类型,代码如下: X_ = ... # shape: (2787, 100) each row a sentence and each column a feature y_= ... # shape:
..
我的生成器总是从我的数据集中随机产生两个图像,然后我使用这两个样本来计算损失.假设我设置了steps_per_epoch=40和epochs=5,如果设置了steps_per_epoch=5和epochs=40(我在优化程序中使用Adam)有什么区别? 解决方案 epochs参数(也称为迭代)是指整个训练数据的通过次数. steps_per_epoch参数是指一个时期内生成的批处理数.因此
..
我尝试通过附加的三层ConvLSTM进行建模,但是当我在第一个ConvLSTM中进行设置时,return_sequence = False程序将无法运行. 查看型号摘要 模型摘要 在第一个ConvLSTM层中设置return_sequence = True之后,模型运行,但是如果我设置return_sequence = False,则程序将无法运行 ConvLSTM最后一层的第二
..
我想问问是否有可能将两个张量成对相乘.例如,我有LSTM层的张量输出, lstm=LSTM(128,return_sequences=True)(input) output=some_function()(lstm) some_function()应该做h1*h2,h2*h3....hn-1*hn 我找到了我该如何利用两个Keras张量?没什么帮助,但是由于我将拥有可训练的参数,因此我
..
我使用keras进行时间序列预测.我的代码可以通过预测下一个月来预测下一个6个月,然后再次将其输入以进行下个月的预测,直到完成6个月为止.这意味着一个月预测6次.我可以一次预测下一个6个月吗? import pandas as pd import numpy as np import matplotlib.pyplot as plt from keras.layers import LSTM
..
我想绘制所有Keras激活功能,但其中一些无法正常工作.即linear会引发错误: AttributeError:“系列"对象没有属性"eval" 这很奇怪.如何绘制其余的激活函数? points = 100 zeros = np.zeros((points,1)) df = pd.DataFrame({"activation": np.linspace(-1.2,1.2,po
..