theano相关内容
我已经开始与Theano和Keras进行深度学习.但是,对于任何程序,我都必须加载数据集,而我却无法加载任何数据集. 即使我运行这两行:- from keras.datasets import cifar10 (X_train, y_train), (X_test, y_test) = cifar10.load_data() 我什至用最小的数据集尝试了上述方法.完全一样的错误.
..
在Keras中,我们可以如下定义网络.是否有任何方法可以在每一层之后输出形状.例如,我想在定义inputs的行后打印出inputs的形状,然后在定义conv1的行后打印出conv1的形状,等等. inputs = Input((1, img_rows, img_cols)) conv1 = Convolution2D(64, 3, 3, activation='relu', init='le
..
我目前正在尝试使用我自己生成的数据集来跟踪此处的示例.后端使用Theano运行.目录结构完全相同: image_sets/ dogs/ dog001.jpg dog002.jpg ... cats/ cat001.jpg cat002.jpg ... validation/
..
from keras.models import Sequential from keras.layers.embeddings import Embedding from theano import function model = Sequential() model.add(Embedding(max_features, 128, input_length = maxlen)) 我想从
..
Keras逐批将数据加载到GPU上(作者此处). 对于小型数据集,这是非常低效的.有没有办法修改Keras或直接调用Theano函数(在Keras中定义了模型之后),以允许将所有批次提前移动到GPU,并使用GPU内存中已经存在的批次进行训练? (有人在Keras列表上提出了相同的问题几周前,但到目前为止没有任何回复.) 解决方案 只需将您的数据作为不可训练的嵌入矩阵(带有自定义
..
我目前在尝试将我的GRU模型与训练数据拟合时遇到问题. 快速浏览StackOverflow之后,我发现这篇文章与我的问题非常相似: 使用Keras io进行的最简单Lstm培训 我自己的模型如下: nn = Sequential() nn.add(Embedding(input_size, hidden_size)) nn.add(GRU(hidden_size_2, retur
..
我已遵循 我添加了 C:\ Program Files(x86)\ Microsoft Visual Studio 12.0 \ VC \ bin 到我的PATH变量 每次我运行Theano网站上的代码以测试是否使用CPU或GPU时,都会出现致命错误: "nvcc fatal:在PATH中找不到编译器'cl.exe'" 这是我用来测试的代码: from theano impor
..
OS:Ubuntu 14.04LTS 语言:Python Anaconda 2.7(keras,theano) 显卡:GTX980Ti CUDA:CUDA 7.5 我想使用我的GPU(GTX980Ti)在IPython Notebook上运行keras python代码 但是我找不到它. 我想测试以下代码.当我在Ubuntu终端上运行它时, 我的命令如下(它很好地使用了GPU.没
..
我想使用此预训练模型. 它在theano布局中,我的代码取决于tensorflow图像尺寸顺序. 关于但这似乎坏了.在将theano转换为张量流的部分中,第一条指令是将权重加载到张量流模型中. 在这种情况下,Keras后端应为TensorFlow. 首先,将Theano训练后的权重加载到TensorFlow模型中: model.load_weights('my_weight
..
我正在尝试将theano与带有神经网络库Keras的cpu多重处理一起使用. 我使用device=gpu标志并加载keras模型.然后使用多重处理池提取超过一百万张图像的特征. 该函数看起来像这样: from keras import backend as K f = K.function([model.layers[0].input, K.learning_phase()],
..
我正在尝试编写一个单层网络.当它开始通过model.fit进行训练时,在某个随机的时期,它将引发以下错误: ValueError: I/O operation on closed file 这是我使用model.fit 的方式 my_model = model.fit(train_x, train_y, batch_size=100, nb_epoch=20, show_accur
..
我想构建一个神经网络,其中前两层是前馈而最后一层是递归的. 这是我的代码: model = Sequential() model.add(Dense(150, input_dim=23,init='normal',activation='relu')) model.add(Dense(80,activation='relu',init='normal')) model.add(SimpleR
..
我正在通过此出色的教程关于使用Keras创建图像分类器的信息.训练完模型后,我将其保存到文件中,然后在下面显示的测试脚本中将其重新加载到模型中. 当我使用从未见过的新图像评估模型时,出现以下异常: 错误: Traceback (most recent call last): File "test_classifier.py", line 48, in
..
如何在theano上实现加权二进制交叉熵? 我的卷积神经网络只能预测0 ~~ 1(S型). 我想用这种方式来惩罚我的预测: 基本上,当模型预测为0但事实为1时,我想惩罚更多. 问题:如何使用theano和烤宽面条创建此加权二进制交叉熵函数? 我在下面尝试了此操作 prediction = lasagne.layers.get_output(model) im
..
我有此代码: import numpy as np from keras.models import Sequential from keras.layers.core import Dense, Dropout, Activation from keras.optimizers import SGD from sklearn import datasets import theano i
..
我正在尝试构建一个同时具有输入和输出(遮罩)图像的模型. 由于数据集的大小和我有限的内存,我尝试使用Keras文档中引入的生成器方法: # Provide the same seed and keyword arguments to the fit and flow methods seed = 1 image_generator = image_datagen.flow_from_dir
..
例如,Keras的Adagrad的实现是: class Adagrad(Optimizer): """Adagrad optimizer. It is recommended to leave the parameters of this optimizer at their default values. # Arguments lr: float >= 0. Learning r
..
我想创建一个自定义层,该层应该将密集层的输出与Convolution2D层融合在一起. 该想法来自本文,这里是网络: 融合层尝试将Convolution2D张量(256x28x28)与密集张量(256)融合.这是它的等式: y_global => Dense layer output with shape 256 y_mid => Convolution2D layer output
..
更新:我必须重新编写该问题,因为经过一些调查,我意识到这是一个不同的问题. 上下文:使用带有scikit Learn的kerasclassifier包装器在gridsearch设置中运行keras. Sys:Ubuntu 16.04,库:anaconda发行版5.1,keras 2.0.9,scikitlearn 0.19.1,tensorflow 1.3.0或theano 0.9.0,仅使
..
我尝试在Django中编写一个REST API,该API使用Keras模型返回预测.但是load_model()函数需要一些时间来加载模型,并且我不希望我的用户等待这么长时间(每次初始化模型).初始化模型以便一次加载并使用同一模型进行预测的正确方法是什么? 顺便说一句,我认为可以冷的一种方法是在settings.py中初始化模型,如下所示: settings.py json_fi
..