1回答
三重态损失的有效硬数据采样
、、、、
当我为锚，正，负图像随机选择三个样本时，它几乎产生零损失。因此，我想知道是否有其他有效的硬数据采样策略。
谢谢。
浏览 15提问于2017-03-05得票数 2
回答已采纳
1回答
是对三重态学习的一个简要综述。我使用三个具有共享权重的卷积神经网络来生成人脸嵌入(锚、正向、负)，并描述了的损失。anchor_output = ...negative_output), 1)
loss = tf.reduce_mean(loss)
当我只选择硬三胞胎(distance(anchor, positive) < distance(anchor,
浏览 3提问于2017-09-07得票数 1
回答已采纳
我正在训练一个基于三重子丢失的分类网络和一个普通的多类分类网络，对一些图像数据进行分类。在我的例子中，三重态丢失网络的性能比多类网络差。我曾经尝试过改变三重态损失网络的层、神经元、边缘等，但是多类网络的性能仍然更好。是否有任何情况下三重态丢失网络的表现比正常的多类分类差？如果没有，我可以看到哪些东西可以改善或改变三胞胎丢失网络的工作呢？
它是5类
浏览 0提问于2019-09-08得票数 0
我的模型在中间稠密层中有一个，不应该是“图正则化”。
这意味着中间三重态半硬损失不会受到这种正则化的影响。
浏览 8提问于2019-12-04得票数 0
回答已采纳
1回答
我正在尝试重采样/重新创建已经记录下来的数据，以进行绘图。我认为这是问问题的最好地方(除了dsp.se)。
这些数据是高频采样的，包含了很多数据点，不适合在时域(内存不足)绘制。我要尽量少损失的样品。结果数据的采样间隔不需要相同(同样是为了绘图目的，而不是为了分析)，尽管输入的数据是同样抽样的。当我们
浏览 0提问于2013-11-23得票数 1
回答已采纳
2回答
我有一个多标签的分类问题，这是我试图解决的CNN在Pytorch。我有80000个培训示例和7900个类；每个示例可以同时属于多个类，每个示例的平均类数为130。
问题是我的数据集非常不平衡。当我训练模型时，我使用来自BCEWithLogitsLoss的的一个正权值参数。我计算权重的方式与文档中描述的相同:负数除以正数。因此，我的模型高估了几乎所有类…Mor小班和大班我得到的预言几乎是真实标签<em
浏览 5提问于2019-10-02得票数 4
回答已采纳
2回答
如何在三重态损失中利用余弦相似性
、、、、
三重态损失的定义如下：其中A=anchor、P=positive和N=negative是丢失的数据样本，margin是锚点与正/负样本之间的最小距离。注意，我使用的是Tensorflow -，余弦相似损失的定义是，当它是一个负数介于-1和0之间时，0表示正交性，接近-1的值表示更大<
浏览 17提问于2022-07-02得票数 1
回答已采纳
因此，我有一个数据集，其中我必须预测类二进制标签(1或0)，问题是，在120 k数据点中，只有200个有标签'1‘。目的是尽量减少FN和FP。哪一种精度指标能捕捉到FP和FN的最小化？
浏览 0提问于2018-04-14得票数 0
回答已采纳
1回答
从系统收敛的角度，我注意到D总是从8开始( D网络的损失函数误差)，并略有下降到4.5，G损失函数误差从1开始迅速下降到0.2。D和G的损失函数均为，而Q网络的损失函数为绝对交叉熵。迭代中的错误图如下：D和G的损失函数为： BATCH_SIZE=10
return K.meanD和G<e
浏览 0提问于2018-09-16得票数 5
1回答
这两者之间的区别是什么？在我看来，训练机制如下，假设原始图像为M*M，然后迭代M*M像素以提取N*N补丁(其中N<M)。迭代步幅可以是像N/3这样的数字，以生成重叠的补丁。此外，假设每个图像对应20个补丁，那么我们可以将这些20补丁或60补丁(如果我们想要有3个图像)放入单个小批量中进行训练。这种理解是正确的吗？在我看来，这种所谓的完全卷积训练与补丁训练是一样的。
浏览 31提问于2017-03-07得票数 5
回答已采纳
1回答
我正在研究一个基于三重态丢失的文本嵌入模型。我有一个关于网上商店的数据库，当用户在搜索栏上输入文本时，我需要找到合适的产品。我想要一个比匹配字符串更好的模型，并且能够理解用户的想法。我定义了一个三重态网络:我的输入是(查询文本锚，下一个产品用户视图后搜索肯定，随机产品负面)。建立了一种基于双LSTM的编码器模型，试图训练出锚与正之间的距离最小，锚与负之间的距离最大，并
浏览 9提问于2022-01-17得票数 1
2回答
我试图训练一个三重态损失(更多关于三重态损失)的卷积神经网络，以生成人脸嵌入(128个精确描述人脸的值)。为了只选择半硬三重奏(距离(锚，正)<距离(锚，负))，我首先在一个小批中输入所有值并计算距离：然后，我选择了与上述公式相关<em
浏览 6提问于2017-08-23得票数 0
回答已采纳
1回答
我正在尝试创建一个面部识别检测器，使用三重态损失，然后是kNN算法。base_cnn = resnet.ResNet50(embedding = Model(base_cnn.input, output,
浏览 0提问于2021-09-07得票数 0
我使用的设置是选择随机样本(随机)。对其中一个二进制类(结果= 0)使用sample_weight 1，对另一个类(结果= 1)使用20。我的问题是，这些权重是如何在“外行术语”中应用的。在每次迭代中，模型将从样本中为0结果选择x行，为1结果选择y行，然后sample_weight设置将生效并保留所有x，但将y (1)结果过度采样20倍？在文档中，我不清楚sample_weight > 1是否是过采样。我知道class_weight是不同的，不会改变数据，但模型如
浏览 3提问于2018-08-30得票数 0
回答已采纳
在什么情况下，除了默认的帧缓冲区之外，我还希望在OpenGL FBO中有一个渲染器附件，而不是纹理附件？因此，纹理附件看起来更加通用。
浏览 1提问于2011-03-27得票数 20
回答已采纳
我想同时使用模型并行和数据并行，并从官方网站上阅读了许多文档和教程。我面临的一个令人困惑的问题是，如何在每个过程中收集各种仪表值？
Question1：在中，它们只记录每个进程中的仪表值。但是在我的代码中，我在每个进程中打印损失值，它们是不同的。所以，我认为其他仪表的价值也是不同的。是错的吗？在我看来，我认为正确的方法应该是先同步丢失，acc和其他仪表，然后所有进程保持相同的值，之
浏览 0提问于2019-05-19得票数 0
有一些预先训练过的模型输出图像特征向量，比如https://tfhub.dev/google/imagenet/efficientnet_v2_imagenet21k_ft1k_s/feature_vector虽然从名称上可以推断出体系结构(EfficientNetV2)和培训数据集(ImageNet-21K)，但我感兴趣的是培训过程是如何完成的。它是否经过了“古典”的分类训练，在训练结束时有一些密集的层被砍掉？还是像三
浏览 0提问于2023-06-01得票数 2
1回答
我有一个包含音频数据的6467584*1双数组。数据的采样频率为256。当我尝试使用soundsc函数播放音频时，它会显示以下错误：
使用声音错误(第76行)设备错误:无效采样率。
浏览 1提问于2018-04-13得票数 0
根据我对卷积神经网络的了解，每个时代都必须向提供相同的训练示例，但是需要对进行洗牌(这样，在训练时，网络就不会记住某些特定的顺序)。然而，在的文章中，他们给网络64000 随机样本提供了每个时代的(所以以前只有一些训练示例是“看到”的)：
每个训练实例都是一组均匀采样的3幅图像，其中2幅属于同一类(x和x+)，第3组(x−)属于不同的类每个训练阶段包括640000个这样的实例(随机选择每个时期)和一个固定集合640
浏览 1提问于2017-09-19得票数 3
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
云直播
对象存储
腾讯会议活动推荐
腾讯云开发者
