neural-network相关内容
尝试建立单输出回归模型，但最后一层似乎有问题 inputs = Input(shape=(48, 1))lstm = CuDNNLSTM(256,return_sequences=True)(输入)lstm = Dropout(dropouts[0])(lstm)#aux_input辅助输入=输入(形状=(48, 7))辅助输出 = 时间分布(密集(4))(辅助输入)辅助输出 = 时间分布(密集
..
假设我正在使用以下代码创建一个神经网络: from sklearn.neural_network import MLPRegressor模型 = MLPRegressor(hidden_layer_sizes=(100,),激活='身份')模型.fit(X_train，y_train) 对于hidden_layer_sizes，我只是将其设置为默认值.但是，我真的不明白它是如何工作的.
..
我将致力于在 Caffe 中实现 DQN 和来自 Google DeepMind 的最新扩展. 为此，我将编写一个模拟器(代替 Atari 模拟器)来为代理创建培训体验. 我的问题是:Caffe 的 Matlab 或 Python 接口中哪个最成熟且运行良好? 为此任务在 Python 和 Matlab 之间进行选择还有其他考虑吗? 应该注意的是，我在 Python 开发方面比
..
我想知道如果我有一个生成底部 blob 的层，该层会被两个后续层进一步消耗，这两个层都会在反向传播阶段生成一些梯度来填充 bottom.diff.两个梯度会加起来形成最终的梯度吗?或者，只有其中一个可以存活?在我的理解中，Caffe 层需要在用一些计算的梯度填充之前将 bottom.diff 设置为全零，对吗?memset 会清除其他层已经计算的梯度吗?谢谢！ 解决方案 使用多个损失层并不
..
我目前正在编写一个 tensorflow 程序，该程序需要将一批二维张量(形状为 [None,...] 的 3-D 张量)与一个二维矩阵相乘W.这需要将 W 转换为 3-D 矩阵，这需要知道批量大小. 我无法做到这一点；tf.batch_matmul 不再可用，x.get_shape().as_list()[0] 返回 None，对于整形无效/平铺操作.有什么建议?我看到有些人使用 conf
..
我正在训练一个小型网络，训练似乎进行得很顺利，val loss 减少，我达到了 80 左右的验证准确率，一旦没有更多改进，它实际上停止了训练(耐心 = 10).它训练了 40 个 epoch.然而，它一直只为每个测试图像预测一个类！我尝试随机初始化 conv 层，我添加了正则化器，我从 Adam 切换到 SGD，我添加了 clipvalue，我添加了 dropouts.我也切换到了 softmax
..
我在 Windows 7 操作系统的 anaconda 4.3.1(64 位)中的 python 3.5.2 下使用 tensorflow(仅限 CPU 版本).当我运行以下代码时，python内核死了，无法重启，出现一些错误但没有错误信息提示. print ("测试准确率 %.3f" %accuracy.eval(feed_dict={x: mnist.test.images, y_: mni
..
TF 文档在 tf.conv2d_transpose 中有一个 output_shape 参数.为什么需要这个?层的步幅、过滤器大小和填充参数不是决定了该层的输出形状，类似于卷积过程中的决定方式吗? 解决方案 这个问题已经在 TF github 并收到答复: output_shape 是需要的，因为输出的形状不能必须根据输入的形状计算，特别是如果输出小于过滤器，我们使用有效填充所以输
..
我在 tensorflow 中编写了以下二进制分类程序，但有问题.无论输入是什么，成本始终归零.我正在尝试调试一个更大的程序，它没有从数据中学习任何东西.我已经将至少一个错误缩小到成本函数总是返回零.给定的程序正在使用一些随机输入并且有同样的问题.self.X_train 和 self.y_train 原本应该从文件中读取，函数 self.predict() 有更多层形成前馈神经网络. 将 nu
..
我正在使用 keras MLP 网络对 3-D 词向量进行二元分类 input_shape=(None,24,73).我使用了两个密集层 dense_1 和 dense_2.在 dense_2 处，我收到一个我无法解决的错误. 这是我的模型摘要. 层(类型)输出形状参数#============================================================
..
我有这个代码: in = [5 列数据点];out = [1 列数据点];net = newfit(in,out,5);净 = 火车(净，入，出)； 现在我想 访问生成的误差变量(以便我可以计算平均误差等) 在循环中运行它，所以我想在循环之间重新初始化权重. 访问存储时间运行所需的变量 如何从命令行完成这三件事? [我知道如何使用 nntool GUI 完成这些事情]
..
我正在 tf.keras 中编写一个 3 层的神经网络.我的数据集是 MNIST 数据集.我减少了数据集中的示例数量，因此运行时间较低.这是我的代码: 将 tensorflow 导入为 tf从 tensorflow.keras 导入层将 numpy 导入为 np将熊猫导入为 pd!git 克隆 https://github.com/DanorRon/data%cd 数据!ls批量大小 = 32
..
我想更新值为 0 的二维张量中的索引.所以数据是一个二维张量，其第 2 行第 2 列索引值将被 0 替换.但是，我收到了类型错误.有人可以帮我吗? TypeError: Input 'ref' of 'ScatterUpdate' Op 需要左值输入 data = tf.Variable([[1,2,3,4,5], [6,7,8,9,0], [1,2,3,4,5]])data2 = tf.
..
我有一个关于反向传播的快速问题.我正在查看以下内容: http://www4.rgu.ac.uk/文件/第3%20-%20bp.pdf 在本文中，它说计算神经元的误差为 Error = Output(i) * (1 - Output(i)) * (Target(i) - Output(i)) 我把公式中我不明白的部分用粗体表示.在论文中，它说由于 sigmoid 函数需要
..
我正在研究使用 tensorflow 训练深度神经网络.我知道如何训练模型.我的问题是我必须在具有不同数据集的 2 台不同计算机上训练相同的模型.然后保存模型权重.后来我必须以某种方式合并 2 个模型权重文件.我不知道如何合并它们.是否有执行此操作的函数，或者是否应该对权重进行平均? 对这个问题的任何帮助都是有用的 提前致谢 解决方案 最好在训练期间合并权重更新(梯度)并保留一
..
我正在使用以下代码行使用张量板可视化 ANN 模型的梯度 tensorboard_callback = tf.compat.v1.keras.callbacks.TensorBoard(log_dir='./Graph', histogram_freq=1, write_graph = True, write_grads = True, write_images = False)tensorb
..
我想知道为什么在 Tensorflow 1.5.0 及更高版本中，softmax_cross_entropy_with_logits_v2 默认为反向传播到标签和 logits.在哪些应用/场景中您希望反向传播到标签中? 解决方案 我看到下面的 github issue 提出了同样的问题，你可能想关注它以备将来更新. https://github.com/tensorflow/min
..
我修改了 Caffe MNIST 示例 以对 3 类图片.我注意到的一件事是，如果我将输出层的数量指定为 3，那么我的测试准确度会急剧下降——下降到 40% 的低范围.但是，如果我 +1 并且有 4 个输出层，则结果在 95% 范围内. 我在我的数据集中添加了一个额外的图像类(所以 4 个类)并注意到同样的事情 - 如果输出层的数量与类的数量相同，那么结果是可怕的，如果它是相同的 +1，然后效果
..
在张量板中，我想在同一个图上叠加 2 个图(神经网络的训练和验证损失). 我可以看到 2 个单独的图，但看不到一个具有 2 条叠加曲线的图.否则，我会得到一个锯齿状的地块. 我该怎么办? 解决方案 可以在 Tensorboard 中叠加两个图.您必须同时满足以下两个条件: 创建两个单独的 tf.train.SummaryWriter 对象，使其输出到两个文件夹中.
..
给定一组用于训练神经网络的训练样例，我们希望对训练中的各种样例赋予或多或少的权重.我们根据示例的“价值"(例如有效性或置信度)的一些标准，将介于 0.0 和 1.0 之间的权重应用于每个示例.这如何在 Tensorflow 中实现，尤其是在使用 tf.nn.sparse_softmax_cross_entropy_with_logits() 时? 解决方案 在最常见的情况下，您使用 log
..
