neural-network相关内容
我正在尝试与Keras一起构建我的第一个神经网络.我的经验为零,我似乎无法弄清楚为什么我的尺寸不合适.我无法从他们的文档中弄清楚该错误是在抱怨什么,甚至是导致该错误的原因. 我的模型接受一个32字节的数字数组,并且应该在另一端提供布尔值.我想在输入字节数组上进行一维卷积. arr1是32字节数组,arr2是布尔数组. inputData = np.array(arr1) inpu
..
我在keras中创建了以下形式的神经网络: from keras.layers import Dense, Activation, Input from keras import Model input_dim_v = 3 hidden_dims=[100, 100, 100] inputs = Input(shape=(input_dim_v,)) net = inputs for
..
假设我使用Keras创建了此模型: model = Sequential() model.add(Dense(32, activation='tanh', input_dim=1)) model.add(Dense(10, activation='tanh')) model.add(Dense(1, activation='linear')) 此模型的输入和输出维度均为1.现在,假设我想
..
我正在尝试在训练模型时诊断出造成低准确性的原因.在这一点上,我只是希望能够获得较高的培训准确性(我以后可能会担心测试准确性/过拟合问题).如何调整模型以使训练准确性过高?我想这样做是为了确保在预处理步骤(改组,拆分,规范化等)中没有犯任何错误. #PARAMS dropout_prob = 0.2 activation_function = 'relu' loss_function = 'c
..
我将yolo v3模型与keras一起使用,并且该网络将我作为输出容器,其形状如下: [(1, 13, 13, 255), (1, 26, 26, 255), (1, 52, 52, 255)] 所以我找到了这个链接 然后,我了解了3个容器中的每个容器的值255,也了解了3个容器,因为边界框的创建有3种不同的图像缩放比例. 但是我不明白为什么在输出向量中第一个缩放比例有13
..
我目前正在学习喀拉拉邦.我的目标是创建一个可以预测函数值的简单模型.首先,我创建两个数组,一个用于X值,一个用于对应的Y值. # declare and init arrays for training-data X = np.arange(0.0, 10.0, 0.05) Y = np.empty(shape=0, dtype=float) # Calculate Y-Values fo
..
我正在尝试使用此示例from keras.models import Sequential from keras.wrappers.scikit_learn import KerasRegressor from sklearn.model_selection import KFold from sklearn.model_selection import cross_val_score from
..
我需要为Keras创建一个仅适用于二进制值的损失函数.想要将所有大于0.5的值转换为1.0,所以我这样做了: def MyLoss(y_true, y_pred: y_true_f = K.flatten(y_true) y_pred_f = K.flatten(K.cast(K.greater(y_pred, 0.5), 'float32')) #y_pred_f
..
我偶然发现Keras中mse的定义,我似乎找不到解释. def mean_squared_error(y_true, y_pred): return K.mean(K.square(y_pred - y_true), axis=-1) 我希望在各个批次中取平均值,即axis=0,但取而代之的是axis=-1. 我也玩了一下,看看K.mean是否实际上表现得像numpy.me
..
我很难找到将多个输入传递给模型的正确方法.该模型有2个输入 形状为(256, 256, 3)的噪声图像 形状为(256, 256, 3) 的输入图像 和1个输出 输出形状为(256, 256, 3) 的图像 我正在通过ImageDataGenerator生成图像: x_data_gen = ImageDataGenerator( horizontal_f
..
我正在尝试通过遵循此链接,但出现此错误: ValueError:输入0与图层density_6不兼容:预期轴 输入形状-1的值为128但形状为(None,32) 代码: input_img = Input(shape=(784,)) encoded = Dense(128, activation='relu')(input_img) encoded = Dense(64, act
..
这是我使用Keras和TensorFlow作为后端运行的确切代码.对于具有相同程序的每次运行,训练结果都不同.有时在第400次迭代中获得100%的精度,而在第200次迭代中有时获得100%的精度. training_data = np.array([[0,0],[0,1],[1,0],[1,1]], "float32") target_data = np.array([[0],[1],[1]
..
基本上,我希望我的自定义损失函数在常规MSE和从不同索引中减去值的自定义MSE之间交替显示. 为澄清起见,假设我有一个y_pred张量为[1、2、4、5]和一个y_true张量为[2、5、1、3].在通常的MSE中,我们应该获得: return K.mean(K.squared(y_pred - y_true)) 这将执行以下操作: [1、2、4、5]-[2、5、1、3] =
..
我正在用Python实现Segnet.以下是代码. img_w = 480 img_h = 360 pool_size = 2 def build_model(img_w, img_h, pool_size): n_labels = 12 kernel = 3 encoding_layers = [ Conv2D(64, (kernel, ker
..
我在Keras中有卷积神经网络. 我需要知道每一层中要素地图的尺寸. 我的输入是28 x 28像素的图像.我知道有一种方法可以计算这个,但我不确定.以下是我使用Keras的代码段. img_rows, img_cols = 28, 28 nb_filters = 32 nb_pool = 2 nb_conv = 3 model = Sequential() model.add(Con
..
我已经用R实现了简单的神经网络,但这是我第一次使用Keras这样做,希望能得到一些建议. 我在Keras中开发了神经网络功能来预测汽车销量(数据集可用据我所知,Keras用于开发神经网络以进行分类而不是回归.到目前为止,在所有示例中,输出范围都在0到1之间. 这是我开发的代码,您将看到我正在使用'sigmoid'函数进行输出: from tensorflow.python.ker
..
我正在做一些关于使用张量流训练深度神经网络的研究.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.稍后,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.是否有一个函数可以做到这一点?或者应该对权重取平均值? 任何有关此问题的帮助都将有用 预先感谢 解决方案 最好在训练过程中合并权重更新(梯度)并保留一组通用权重
..
我正在尝试为Keras中的XOR问题实现一个简单的分类器.这是代码: from keras.models import Sequential from keras.layers.core import Dense, Dropout, Activation from keras.optimizers import SGD import numpy X = numpy.array([[1.,
..
我正在尝试编写一个序列以在keras中对RNN进行序列化.我使用从网上了解到的代码编写了该程序.我首先将文本标记化,然后将其转换为序列,然后填充以形成特征变量 X .先将目标变量 x 向左移动然后填充,即可获得目标变量 Y .最后,我将特征和目标变量输入了我的LSTM模型. 这是我为此目的在keras中编写的代码. from keras.preprocessing.text impor
..
我有一个定义为顺序模型的有状态LSTM: model = Sequential() model.add(LSTM(..., stateful=True)) ... 稍后,我将其用作功能模型: input_1, input_2 = Input(...), Input(...) output_1 = model(input_1) output_2 = model(input_2) #
..