neural-network相关内容
我将Keras中的CNN用于NLP任务,而不是最大池化,我试图在一段时间内实现最大池化. 关于如何实现这一目标的任何想法/技巧? 我随时间推移的最大值池的意思是汇集最高值,无论它们在向量中的何处 解决方案 假设您的数据形状为(batch_size, seq_len, features),则可以应用: seq_model = Reshape((seq_len * featu
..
我正在Keras中尝试一个简单的模型,我希望将其作为输入,将5x3大小的矩阵作为输入.在下面的示例中,这是在添加第一个密集层时使用input_shape=(5, 3)指定的. from keras.models import Sequential from keras.layers import Dense, Activation from keras.optimizers import A
..
我正在尝试构建一个小的LSTM,该LSTM可以通过在现有的Python代码上进行训练来学习编写代码(即使它是垃圾代码).我已经将几千行代码连接到一个文件中,跨越了数百个文件,每个文件都以结尾以表示“序列结束". 例如,我的训练文件如下: setup(name='Keras', ... ], packages=find_packages())
..
我对Keras有点陌生,我正在尝试创建尺寸合适的模型.我的训练数据成形为len(x_train) = 1108和len(x_train)[0] = 29430,但是我似乎制作的形状不正确. (标题中的确切错误消息在标有星号***的位置.) 我运行了一个模型摘要,因此形状应如下所示: Layer (type) Output Shape Param # Co
..
我正在尝试开发一个暹罗网络来进行简单的面部验证(并在第二阶段进行识别).我有一个可以训练的网络,但是对于如何保存和恢复模型以及对经过训练的模型进行预测,我有点困惑.希望领域中有经验的人可以帮助取得进步. 这是我创建暹罗网络的方式,从...开始... model = ResNet50(weights='imagenet') # get the original ResNet50 mo
..
所以我对在Keras中设置输入有一个特定的问题. 我知道序列长度是指您要建模的最长序列的窗口长度,其余序列用0填充. 但是,如何设置时间序列数组中已经存在的内容? 例如,现在我有一个550k x 28的数组.因此,有550k行,每个行有28列(27个要素和1个目标).我是否必须手动将阵列拆分为(550k序列长度)不同的阵列,然后将所有阵列馈入网络? 假设我希望第一层等于每行
..
假设我在Tensorflow中有一个张量,其值如下: A = [[0.7, 0.2, 0.1],[0.1, 0.4, 0.5]] 如何将这个张量更改为以下内容: B = [[1, 0, 0],[0, 0, 1]] 换句话说,我只想保留最大值并将其替换为1. 任何帮助将不胜感激. 解决方案 我认为您可以使用单线解决方案: import tensorflow as
..
我是DNN和TesorFlow的新手. 我有用于二进制分类的NN问题. 作为输入数据,我有文本数据集,该数据集由TF-IDF转换为数值向量. 训练数据集的行数为43000 功能数4235 我尝试使用TFlearn库,然后使用Keras io.但是结果是相同的-NN只能预测一个标签0或1,并且其准确度要比随机森林差. 我将添加用于NN构建的脚本.请告诉我其中有什么问题.
..
考虑以下最小的可运行示例: from keras.models import Sequential from keras.layers import Dense from keras.layers import LSTM import numpy as np import matplotlib.pyplot as plt max = 30 step = 0.5 n_steps = int
..
我在Pandas数据帧中有一个训练集,然后将此数据帧与df.values一起传递到model.fit()中.以下是有关df的一些信息: df.values.shape # (981, 5) df.values[0] # array([163, 0.6, 83, 0.52, # array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
..
我使用具有预训练权重的AlexNet(heuritech/convnets-keras)解决8类而不是1000个类别的分类问题.用Model(input=..,output=..)初始化网络并加载初始权重后,我删除了最后两层, Dense(1000)和Activation(softmax),并添加我自己的两层:Dense(8)和Activation(softmax). 但是然后,在运行后我得到了一
..
我正在开发用于图像图像分类的卷积神经网络(CNN). 可供我使用的数据集相对较小(对于训练集和测试集,大约有35k张图像).数据集中的每个图像大小均不同.最小的图像是30 x 77,最大的图像是1575 x5959. 我看到了帖子关于如何处理大小不一的图像.该帖子标识了以下用于处理不同大小图像的方法. "Squash"图像,这意味着它们将被调整大小以适合特定尺寸,而无需保持宽高比
..
我想训练一个回归网络,其输出是两个坐标(x1,y1)和(x2,y2). 我的问题是:如果我想训练网络,我的输出应该分开吗? 我的意思是我的输出应该像这样: [x1,y1,x2,y2] 或者有没有办法像这样堆叠它们: [(x1,y1),(x2,y2)] 预先感谢 解决方案 RepeatVector用于此目的(请参见您希望输出形状为(2, 2),或者是两个坐标且每个都有
..
我正在尝试从keras网站改编2d卷积自动编码器示例: https://blog.keras.io/building-autoencoders-in-keras.html 对于我自己使用一维输入的情况: from keras.layers import Input, Dense, Conv1D, MaxPooling1D, UpSampling1D from keras.models
..
我输入的是一系列视频,数量为8500.每个视频作为一系列50帧被馈送到LSTM,每个帧具有960像素. 所以输入昏暗是8500,50,960 有487种可能的输出类别,因此输出尺寸为8500,487. 但是当我运行以下代码时,我在keras中得到了这些错误. 任何帮助将不胜感激.谢谢! (8500,50,960) (8500,487) 创建模型.. 添加第一层.
..
我正在使用keras的预训练模型,尝试获取预测时出现错误.我在Flask服务器中有以下代码: from NeuralNetwork import * @app.route("/uploadMultipleImages", methods=["POST"]) def uploadMultipleImages(): uploaded_files = request.files.getl
..
我想创建一个网络,在该网络中,输入层中的节点仅连接到下一层中的某些节点.这是一个小例子: 到目前为止,我的解决方案是将i1和h1之间的边的权重设置为零,并且在每个优化步骤之后,我将权重乘以一个矩阵(我称此矩阵掩码矩阵),其中每个项除在i1和h1之间的边的权重输入外,其为1. (请参见下面的代码) 这种方法正确吗?还是对GradientDescent有影响?是否有另一种方法可以在Tens
..
我开始按照本“指南"学习如何制作神经网络,但是我已经被第一句话所困扰 https://keras.io/getting-started/sequential-model-指南/ 线性堆栈层到底是什么? 这是否意味着堆栈的导数是常数? (开玩笑,但我对那些没有定义他们在说什么的向导感到非常沮丧) 解决方案 线性堆栈是没有任何分支的模型.每一层都有一个输入和输出.一层的输出是
..
我有tf.keras.Model的子模型,代码在后面 import tensorflow as tf class Mymodel(tf.keras.Model): def __init__(self, classes, backbone_model, *args, **kwargs): super(Mymodel, self).__init__(self, ar
..
我已经训练了以下自动编码器模型: input_img = Input(shape=(1, 32, 32)) x = Convolution2D(16, 3, 3, activation='relu', border_mode='same')(input_img) x = MaxPooling2D((2, 2), border_mode='same')(x) x = Convolution2
..