theano

    0熱度

    1回答

    我正在尋找一種高效和簡單的方法來適應我目前的Theano模型,因此可以進行預測縮放。我還在尋找一種輕鬆培訓大量不同參數模型的方法。 似乎有兩種主要的方式來做到這一點。第一個是使用Spark,第二個是使用Docker和Kubernetes。 我對兩者的經驗相當有限,所以我不知道是否有正確的方法來解決我的問題,以及每種解決方案之間的差異。

    -1熱度

    1回答

    如標題所述,構建我的包的文檔在本地工作良好,但不在服務器上。 我得到以下錯誤: Traceback (most recent call last): File "/home/docs/checkouts/readthedocs.org/user_builds/crbm/envs/latest/lib/python2.7/site-packages/sphinx/cmdline.py", line

    1熱度

    1回答

    我正在將項目從Keras 1.x遷移到2.x. 在代碼中,在1.x中正常運行的keras.backend.conv2d操作現在在2.x中崩潰。 convs = K.conv2d(a, b, padding='valid', data_format='channels_first') 輸入張量形狀a和b均爲(1024, 4, 1, 1)和輸出張量形狀1.x中是(1024, 1024, 1, 1)

    0熱度

    1回答

    我有我想在TensorFlow重現以下簡單Theano代碼: import theano as th import theano.tensor as T import numpy as np x = T.vector() c = th.shared(np.array([1.0, 2.0])) y1 = x + c c.set_value(np.array([10.0, 20.0]))

    0熱度

    1回答

    我在添加對binary_crossentropy的懲罰時遇到了問題。當預定義的錯誤組的平均值違反某個閾值時,這個想法是懲罰損失函數。 以下是幫助函數,它用掩碼錶示組和已計算的crossentropy。它會簡單地返回違反某個閾值的次數來懲罰調用它的實際損失函數。 def penalty(groups_mask, binary_crossentropy): errors = binary_c

    0熱度

    1回答

    重新安裝anaconda後,我使用此命令行得到此信息。這是爲什麼? pip install --upgrade --no-deps git+git://github.com/Theano/Theano.git (C:\Users\AM\Anaconda3) C:\Users\AM\Documents>pip install --upgrade --no- deps git+git://git

    1熱度

    1回答

    我有一個前饋DNN模型,有幾個圖層來執行二進制分類。輸出層是1 sigmoid單位和損失函數binary_crossentropy。作爲預測,我期望一個帶有零/一個的矢量。爲此,我圍繞預測並對他們進行打擊。然後我使用sklearn分數函數來計算(f1score,rocauc,precision,recall,mcc)。問題是我得到的預測向量與我假裝的單熱編碼不匹配。儘管如果我使用一個mse損失函數

    0熱度

    1回答

    我正在使用MNIST數據集構建用於手寫數字識別的ConvNet。我的代碼是使用Theano後端在Keras中編寫的。 我想訓練我的ConvNet,因此它可以識別類的一個子集(例如,僅數字'1'和'2')並輸出任何其他類作爲通用'未知'類。我知道這可以在Theano上完成,因爲它在"Distributed Neural Networks for Internet of Things: The Big

    1熱度

    1回答

    我有一個使用tensorflow函數的函數。我需要Theano的這個功能,因爲在平臺上我想使用這個代碼只有Theano安裝而不是tensorflow。我主要和Keras一起工作,所以tensorflow對我來說很神祕。 功能如下: class WeightedBinaryCrossEntropy(object): def __init__(self, pos_ratio):

    0熱度

    4回答

    我使用Theano和Keras和使用下面的命令,試圖從.h5文件加載VGG網的權重。 VGG網模型的定義: def VGG_16(weights_path=None): model = Sequential() model.add(ZeroPadding2D((1,1),input_shape=(3,224,224))) model.add(Convolution2D