keras-layer

    0熱度

    2回答

    我想知道在Keras中的例如2D卷積層中的濾波器權重是否默認沿空間維度共享。如果是的話,有沒有辦法不分享權重?

    2熱度

    1回答

    我目前正試圖在凱拉斯實施依賴敏感卷積神經網絡來建模文件。對我來說,這是第一個在凱拉斯實施的網絡,所以我想出了一些問題。 網絡如下所示: 我想實現已經是很遠,但與模型初始化一個大問題。我創建了一個要點: Traceback (most recent call last): File "/Users/peter/Masterarbeit/python-projects/dscnn-keras

    8熱度

    1回答

    我有2列的數據集 - 每一列一組文檔。我必須將Col A中的文檔與Col B中提供的文檔相匹配。這是一個監督分類問題。所以我的訓練數據包含一個標籤欄,指出文件是否匹配。 爲了解決這個問題,我已經創建的一組特性,比如F1-F25(通過比較兩份文件),然後訓練的這些特徵的二元分類。這種方法工作得很好,但現在我想評估Deep Learning模型(特別是LSTM模型)。 我使用Python中keras庫

    0熱度

    1回答

    我想新的節點添加到輸出層以後訓練它,我是這樣做的: def add_outputs(self, n_new_outputs): out = self.model.get_layer('fc8').output last_layer = self.model.get_layer('fc7').output out2 = Dense(n_new_outputs, acti

    2熱度

    2回答

    我試圖獲得訓練網絡中圖層的值。我可以得到層作爲TensorFlow張量,但我無法訪問陣列狀的價值觀: from keras.models import load_model model = load_model('./model.h5') layer_dict = dict([(layer.name, layer) for layer in model.layers]) layer_na

    3熱度

    1回答

    漏失層按照Keras文檔輟學層表現出在訓練和測試階段不同的行爲: 請注意,如果您的模型在訓練和 測試階段不同的行爲(例如,如果它使用差,BatchNormalization等),你 需要學習階段標誌傳遞給你的函數: 不幸的是,沒有人談論的實際差異。爲什麼退出在測試階段的行爲不同?我期望圖層將一定數量的神經元設置爲0.爲什麼這種行爲取決於訓練/測試階段?

    2熱度

    2回答

    我想在Keras中使用BatchNorm。培訓準確性隨着時間的推移而增加從12%到20%,緩慢但確定。 然而,測試精度從12%降至0%。隨機基線是12%。 我非常認爲這是由於蝙蝠科層(剔除蝙蝠科層導致測試精度爲〜12%),這可能不會初始化伽馬和β參數。在應用蝙蝠chnorm時,我必須考慮什麼特別的東西?我真的不明白還有什麼可能會出錯的。我有以下模式: 模型=順序() model.add(Batch

    0熱度

    1回答

    我有一個程序,它已被寫入Keras 1.x.x,我試圖在Keras 2.x.x中重新運行它。然而,當它達到這一點, from keras.layers import Input, merge up2 = merge([UpSampling2D(size=(2, 2))(conv5), conv4], mode='concat', concat_axis=1) 它顯示了以下錯誤: UserW

    1熱度

    1回答

    對不起,我是RNN的新手。我在TimeDistributed層讀取了this post。 我已將數據重新整形到Keras需要[samples, time_steps, features]:[140*50*19],這意味着我有140個數據點,每個數據點有50個時間步長和19個特徵。我的輸出形狀爲[140*50*1]。我更關心最後一個數據點的準確性。這是一個迴歸問題。 我當前的代碼是: x = Inp

    0熱度

    1回答

    我最近參加了一個教程的深度學習,現在我試圖創造一個由我自己。這個想法是拍攝一段視頻,將它分成單幀並通過神經網絡饋送。因爲它是JPG我雖然CNN。但我沒有把這張照片分類,而且我想獲得浮動值。這就是爲什麼我通過使用RNN。我找到了Keras的支持者:這個支持者:但是現在我堅持了。 (Python的2.7運行) 錯誤消息: runfile('/Users/tobias/anaconda3/envs/op