theano

    0熱度

    1回答

    我試圖做一個簡單的T.zeros()操作,兩個向量的形狀在Theano中作爲參數的區別。 事情是這樣的: import theano as theano import theano.tensor as T x1 = T.ivector('x1') x2 = T.ivector('x2') shape_sub = T.sub(T.shape(x1),T.shape(x2)) zeros

    1熱度

    1回答

    我所經歷的可用here 在行theano碼71 & 73我看到allow_input_downcast. 例如在線路71 train = theano.function(inputs=[X, Y], outputs=cost, updates=updates, allow_input_downcast=True)` 能否請你幫我理解這個屬性的目的是什麼? 由於提前

    2熱度

    1回答

    我試圖通過延伸的第一示例來運行具有兩個功能的高斯過程迴歸在https://pymc-devs.github.io/pymc3/notebooks/GP-introduction.html n = 20 X = np.array([list(a) for a in zip(np.sort(3*np.random.rand(n)), np.sort(3*np.random.rand(n)))])

    1熱度

    1回答

    我不知道爲什麼下面的代碼是無效的.. from numpy import * import theano.tensor as T x = T.dmatrix("x") mx = x[...,None,:] a = T.ones((1,3)) T.grad(mx[...,0].dot(a).sum(), a).eval({x:ones((5,10)).astype(float32)})

    0熱度

    2回答

    我嘗試在P100節點上安裝和使用Theano與Cuda-9.0。安裝本身流暢,但我得到分段錯誤(見下文)。 我嘗試使用Theano-0.9.0和Theano-0.10.0beta1結合使用libgpuarray/pygpu - 0.6.8和0.6.9。所有的情況都會導致段錯誤。 這裏是我的設置: * RHEL 7 * GCC:4.8.5 * CUDA 9.0 * cuDNN:5.1.5 *的Pyt

    1熱度

    1回答

    我讀過關於theano conv1d問題以往的迴應,但我似乎無法使其工作: x = np.arange(50) * 1. y = np.random.normal((x+0.1)/5, 1, 50) def tophat(x, centre, width, amplitude): return tt.switch((x < centre + (width/2)) & (x >= c

    2熱度

    2回答

    請在這裏確實需要燈光。我想在Windows上使用良好的BLAS/LAPACK lib 安裝numpy,但絕對沒有網頁能夠很好地解釋這個過程。看來OpenBLAS是一個不錯的選擇。 目標是將「theano」與「keras」一起使用,「theano」要求這些庫是「動態的」,而不是靜態的。 (不知道我明白這是什麼意思,但它造成緩慢和memory issues) 請把我當作一個完整的新手。給我一個一步一步

    -1熱度

    1回答

    我正在嘗試使用Theano來實現CNN,並嘗試使用我的較大數據集的小樣本集來測試我的代碼。我試圖將一組8280張圖片(250 * 250大小)分類成115個類別,而我的樣本集合是前兩個類別的32張圖片(每張16張圖片)。我遇到的問題是,從第一個時代開始,NaN的訓練損失和它在更進一步的時代不會改變。 from __future__ import print_function import sy

    1熱度

    1回答

    所以我的keras後端在C:\ Users \ Eric下面是從print(os.path.expanduser('〜')) { "epsilon": 1e-07, "floatx": "float32", "image_data_format": "channels_last", "backend": "tensorflow" } 但是,每當我導入k

    2熱度

    1回答

    我在keras(用於信號分類)一個CNN模型: cnn = Sequential() cnn.add(Conv1D(10,kernel_size=8,strides=4, padding="same",activation="relu",input_shape=(Dimension_of_input,1))) cnn.add(MaxPooling1D(pool_size=3)