machine-learning相关内容
我有一个Keras模型,可以预测游戏中的移动.我的输入形状为(160,120 ,1).我有以下模型,其输出为9个节点: from keras.models import Sequential from keras.layers.core import Dense, Dropout, Activation, Flatten from keras.layers.convolutional imp
..
我第一次使用Keras构建Conv Net.我的图层如下: layers = [ Conv2D(8,kernel_size=(4,4),padding='same',input_shape=( 200, 180,3),kernel_initializer="glorot_normal",data_format="channels_first"), Activation("relu"), Ma
..
我的代码如下: model.fit_generator(generator=(train_image_list, train_mask_list),epochs=1000,shuffle=True) train_image_list和train_mask_list都包含图像列表.当尝试在Google Colab中运行上述代码时,出现以下错误: When passing input
..
我在Keras中使用以下顺序模型. model = Sequential() model.add(LSTM(150, input_shape=(29,3))) model.add(Dense(100)) model.add(Dropout(0.2)) model.add(Dense(1, activation='sigmoid')) model.compile(loss='binary_cr
..
我正在学习如何设置RNN-LSTM网络进行预测.我用一个输入变量创建了数据集. x y 1 2.5 2 6 3 8.6 4 11.2 5 13.8 6 16.4 ... 通过以下python代码,我创建了窗口数据,例如[x(t-2),x(t-1),x(t)]来预测[y(t)]: df= pd.read_excel('dataset.xlsx') # split a
..
背景: 我正在将Pycharm与Python 3.6配合使用(不使用较新的版本,因为我有一个不支持较新版本的python的库). 我为防病毒构建了一个ml模型并将其保存(试图将其保存为"anti_virus_model.h5"和文件夹) 我正在尝试为反病毒软件构建UI,所以我正在使用tkinter库. 问题: 我试图加载我的模型(非常确定它可以正常工作)并预测所选择的文件(
..
我正在尝试在R中编写一个可训练的权重的自定义Keras层, 获取输入向量x并返回值exp(A * X*A),其中$ A $是对角线且可训练.. 其中 exp 是矩阵指数图. 解决方案 请注意,了解批次大小在哪里非常重要,并且图层不能具有基于批次大小的权重(除非您定义了用batch_shape或batch_input_shape而不是shape输入-这将迫使您在模型中使用固定的批
..
我正在使用keras神经网络进行简单的分类算法.目标是获取有关天气的3个数据点,并确定是否有野火.这是我用于训练模型的.csv数据集的图像(此图像只是最上面的几行,并不是全部): 野火天气数据集 如您所见,有4列,第四列是"1"表示"fire"或"0"表示"no fire".我希望算法预测1或0.这是我编写的代码: import numpy as np import matplotlib.p
..
我有一个用于在Keras中建立NN模型的数据集,我从该数据集中获取了2000行作为验证数据,应该在.predict函数中添加这2000行. 我为Keras NN写了一个代码,现在它可以正常工作,但是我注意到一些对我来说很奇怪的东西.它为我提供了超过83%的非常好的准确性,损失约为0.12,但是当我要使用看不见的数据(即2000行)进行预测时,它只能预测平均65%的正确率. 当我添加Dropo
..
我正在使用Keras ImageDataGenerator类加载,训练和预测.我已经在此处尝试了解决方案,但是仍然存在问题.我不确定是否在此处中遇到了相同的问题.我猜我的y_pred和y_test没有正确地映射到彼此. validation_generator = train_datagen.flow_from_directory( train_data_dir, targe
..
我尝试使用keras设计LSTM网络,但精度为0.00,而损失值为0.05,我编写的代码如下. model = tf.keras.models.Sequential() model.add(tf.keras.layers.Flatten()) model.add(tf.keras.layers.Dense(128, activation = tf.nn.relu)) model.add(tf
..
我正在按照本指南学习CNN的图像分类,并将此代码实现到我的数据集中: https://www.tensorflow.org/tutorials/images/classification 代码已更新 train_image_generator = ImageDataGenerator(rescale=1. / 255) # Generator for our training
..
我正在训练一个模型来制作图像蒙版.该错误不断弹出,我无法确定原因.帮助将不胜感激. 错误声明: File "--\Users\-----\Anaconda3\lib\site-packages\keras\initializers.py", line 209, in __call__ scale /= max(1., float(fan_in + fan_out) / 2) TypeE
..
我遇到一个问题,我想预测一个时间序列和多个时间序列.我的输入是(batch_size, time_steps, features),我的输出应该是(1, time_steps, features) 我不知道如何对N求平均值. 这是一个虚拟的例子.首先,虚拟数据的输出是200个时间序列的线性函数: import numpy as np time = 100 N = 2000 da
..
在Keras的训练和测试阶段可以使用辍学吗? 就像这里描述的那样: https://github.com/soumith/ganhacks#17-use-dropouts-in-g-in-both-train-and-test-phase 解决方案 当然,您可以在调用 Dropout层时将training参数设置为True.这样,辍学将同时应用于培训和测试阶段: drp_out
..
我遇到一个binary classification问题,我需要根据2010-2015期间的客户互动来预测潜在的未来流行/流行产品. 当前,我的数据集包含1000 products,每个产品都标记为0或1(即二进制分类).标签是根据2016-2018期间的客户互动决定的. 我正在计算2010-2015期间的how centrality measures changed over tim
..
假设我有以下内容: image_data_generator = ImageDataGenerator(rescale=1./255) train_generator = image_data_generator.flow_from_directory( 'my_directory', target_size=(28, 28), batch_size=32, class_m
..
我遇到此错误:ValueError:当我运行此代码时,无法将字符串转换为float:'nonPdr': model = Sequential() model.add(Conv2D(input_shape=(605,700,3), filters=64, kernel_size=(3,3), padding="valid",activation="tanh")) model.add(Flatt
..
我正在尝试使用以下功能构建多元回归模型来预测房价: [bedrooms bathrooms sqft_living view grade] = [0.09375 0.266667 0.149582 0.0 0.6] 我已经使用sklearn.preprocessing.MinMaxScaler对功能进行了标准化和缩放. 我用Keras建立了模型:
..
我最近一直在学习Keras,并在带有CNN的CIFAR10数据集上进行了尝试.但是,我训练的模型(可以运行代码此处)返回相同的答案无论如何每次输入.我在模型定义中忘记了什么吗? 解决方案 您忘记了对图像进行标准化.当前,x_train中的值在[0,255]范围内.这会导致较大的梯度更新并拖延训练过程.在这种情况下,一种简单的标准化方案是: x_train = x_train.asty
..