与输入尺寸相同的GlobalAveragePooling2D输出(Keras)
GlobalAveragePooling2D是深度学习中的一种特征提取操作，用于将卷积层的输出转换为全连接层可以处理的向量形式。它的作用是对输入张量的空间维度进行平均池化操作，生成一个固定长度的向量。
GlobalAveragePooling2D的输入是一个四维张量，通常是卷积层的输出，形状为(batch_size, height, width, channels)。它会对height和width两个维度进行平均池化操作，即计算每个通道的平均值。
GlobalAveragePooling2D的输出是一个二维张量，形状为(batch_size, channels)。其中，batch_size是输入中的样本数，channels是卷积层输出的通道数。
GlobalAveragePooling2D的优势在于保留了每个通道的特征信息，同时降低了特征的维度，减少了全连接层的参数量。这有助于避免过拟合，并且可以加快模型的训练和推理速度。
GlobalAveragePooling2D广泛应用于图像分类、目标检测和图像分割等深度学习任务中。通过将卷积层输出的特征图转换为向量形式，可以输入到全连接层进行分类或回归任务。
对于腾讯云的相关产品，可以使用腾讯云的深度学习平台AI Lab进行模型训练和推理。AI Lab提供了丰富的深度学习工具和资源，支持各类深度学习框架，如TensorFlow和PyTorch。您可以通过以下链接了解更多关于AI Lab的信息：https://cloud.tencent.com/product/ailab
此外，腾讯云还提供了云服务器、云数据库、云存储等一系列云计算产品，可满足不同应用场景下的需求。具体产品信息可参考腾讯云官网：https://cloud.tencent.com/
相关·内容
我正在使用预先训练好的模型对图像进行分类。我的问题是，在我的模型中使用预训练的模型结构后，我必须添加什么样的层。为什么这两个实现是不同的。具体地说： 考虑两个示例，一个使用猫和狗数据集： 可以在here中找到一个实现。关键的一点是基础模型： # Create the base model from the pre-trained model MobileNet V2
base_model = tf.keras.applications.MobileNetV2(input_shape=IMG_SHAPE,
浏览 45提问于2020-07-14得票数 0
2回答
我在Keras中使用预先构建的ResNet (TensorFlow 2)，其方式如下：
from tensorflow.keras.applications.resnet50 import ResNet50
base_model = ResNet50(weights=None, include_top=False, input_shape=(39,39,3))
x = base_model.output
x = GlobalAveragePooling2D()(x)
x = Dropout(0.5)(x)
output_tensor = Dense(self.num_classes, acti
浏览 7提问于2021-01-18得票数 1
回答已采纳
1回答
我正在从作为Keras应用程序包含的VGG16模型中提取更低级别的特性。这些特征作为预先训练过的输入数据的单独输出输出，用于附加分类器.这个概念是从学来的。
利用没有分类器顶部的模型，利用Flatten()：block_05 = Flatten(name='block_05')(block5_pool)从block_5拉力层中提取最高层的特征。这给出了一个维数为8192的输出向量。然而，Flatten()不工作在较低的拉层，因为尺寸变得太大(内存问题)。相反，可以使用GlobalAveragePooling2D()：block_04 = GlobalAveragePooling
浏览 3提问于2017-03-07得票数 2
回答已采纳
我想乘(找到点乘积)从两个cnn层的输出。不幸的是，两者都有不同的维度。有人能帮助调整张量的大小吗？
我的基本模型是
model_base = Sequential()
# Conv Layer 1
model_base.add(layers.SeparableConv2D(32, (9, 9), activation='relu', input_shape=input_shape))
model_base.add(layers.MaxPooling2D(2, 2))
# model.add(layers.Dropout(0.25))
# Conv Layer 2
model
浏览 4提问于2020-07-22得票数 1
回答已采纳
我想添加"GlobalAveragePooling2D“和预测(密集)到我的基础ResNet50。如下所示
所以我做了这个：
x=base_model.output
x = tf.keras.layers.GlobalAveragePooling2D()(x)
x = tf.keras.layers.Dense(2, activation='softmax')(x)
model = keras.models.Model(inputs=base_model.input, outputs=x)
model.summary()
但我得到了这个
它们是
浏览 3提问于2022-02-22得票数 0
回答已采纳
1回答
我想使用相同的ResNet50多次与不同的输入，即权重共享。下面是我的代码，但是我得到了行AttributeError: 'Tensor' object has no attribute 'output'的错误消息resnet_x = resnet_x.output。
我要改变什么才能让它发挥作用？
from tensorflow.keras.applications.resnet50 import ResNet50
from tensorflow.keras.layers import Input
from tensorflow.keras.layers im
浏览 2提问于2021-03-06得票数 1
回答已采纳
1回答
减少cnn的培训时间
、、、、
我正在努力改进下面的cnn架构。我用cnn进行图像分类。有人能建议对下面的体系结构进行任何改变，以减少培训时间而不会失去太多的准确性吗？
建筑注释：
它有一个由16个滤波器组成的卷积层，利用一个3,3窗口来处理神经网络的初始输入。
其次是最大池层为2,2
其次，是另一个卷积层，其大小与第一层相同，以便保存从前一层通过的数据。
在前2层之后是包含32个过滤器的第三层卷积层，因为这允许网络开始查看更多的细节，并为更多的数据打开空间。
第三层产生了一个全局平均池层，然后将其输入到完全连接的层中。
第一个完全连接的隐藏层使用64个单元，因为这是我的一个估计，允许在输出层之前使用黄油来给网络更大的空间来
浏览 1提问于2017-10-11得票数 2
我正在尝试实现一个模型，它将灰度图像作为输入，并返回一个数值作为输出。我使用InceptionV3 (从头开始训练)作为特征提取器，然后使用一些密集的层进行最后阶段的回归。 下面是我的代码： from keras.applications.inception_v3 import InceptionV3
from keras.layers import Input, GlobalAveragePooling2D, Dense, Dropout, Flatten, BatchNormalization
from keras.models import Model
from keras.metri
浏览 16提问于2020-02-01得票数 0
回答已采纳
我是新的转移学习，我正在工作的图像分类2类。我使用InceptionV3对这些图像进行分类。我的数据是.jpg格式的。文件夹结构在format.Since下面，我给了"binary_crossentropy“两个类别。但要面对问题。
家长文件夹/火车/类别1
家长文件夹/火车/类别2
父文件夹/测试/类别1
父文件夹/测试/类别2
from keras.applications.inception_v3 import InceptionV3
from keras.preprocessing import image
from keras.models import Model
浏览 1提问于2019-02-13得票数 0
回答已采纳
4回答
我试图做一个转移学习；为此目的，我想删除神经网络的最后两层，并增加另外两层。这是一个示例代码，它也输出相同的错误。
from keras.models import Sequential
from keras.layers import Input,Flatten
from keras.layers.convolutional import Convolution2D, MaxPooling2D
from keras.layers.core import Dropout, Activation
from keras.layers.pooling import GlobalAveragePool
浏览 2提问于2017-01-16得票数 76
回答已采纳
1回答
我对LSTM输入/输出维度感到困惑，特别是在keras库中。当输入为3D时，keras如何返回2D输出？我知道它可以使用“return_sequence = Trure”返回3D输出，但是如果return_sequence= False，它如何处理3D并生成2D输出？例如，如果输入形状数据( 32，16，20)，32批大小，16个时间步骤，20个特征，以及形状的输出(32,100)，32批大小，100个隐藏状态；keras如何处理3d的输入并返回输出2d。此外，如果输入和隐藏状态没有精确的尺寸，它们如何连接？
浏览 23提问于2022-04-13得票数 1
我想要生成一个从RGB图像(256×256×3)中提取的一维特征向量，使用预先训练的模型。假设我从一个形状为(N_images，256,256，3)的张量开始，我想获得一个形状为(N_images，M_features)的张量，其中M_features是用户选择的特征数。我在keras/tensorflow 中找到了一个可行的解决方案(参见：“使用VGG16提取特性”)，并尝试了以下代码(使用ResNet50)：
from tensorflow.keras.applications.resnet50 import ResNet50
from tensorflow.keras.preproces
浏览 2提问于2022-07-26得票数 0
我在Keras工作(Tensorflow 2)。我想将张量的每个元素与其自身的可训练权重相乘。假设我的输入张量是1D，有10个元素；所以我尝试将输入定义为Keras输入张量，将权重定义为tf.Variable，并尝试使用Keras乘法层，如下所示： import tensorflow as tf
inputs = tf.keras.layers.Input(shape=(10), name='inputs')
weights = tf.Variable(tf.random.normal([10]), name='weights')
outputs = tf.k
浏览 30提问于2020-04-25得票数 0
回答已采纳
1回答
我试图对一些CXR图像进行分类，每个样本都有多个标签。据我所知，我必须用乙状结肠激活来放置一个密集的层，并使用二元交叉熵作为我的损失函数。问题是，存在着很大的阶级不平衡(正常人比异常者多)。我很好奇到目前为止，我的模特是：
from keras_applications.resnet_v2 import ResNet50V2
from keras.layers import GlobalAveragePooling2D, Dense
from keras import Sequential
ResNet = Sequential()
ResNet.add(ResNet50V2(input_sh
浏览 1提问于2020-01-07得票数 1
回答已采纳
我有一个嵌套的模型，它有一个输入层，并且在输出之前有一些最终的密集层。这是它的代码：
image_input = Input(shape, name='image_input')
x = DenseNet121(input_shape=shape, include_top=False, weights=None,backend=keras.backend,
layers=keras.layers,
models=keras.models,
utils=keras.utils)(image_input)
x = GlobalAveragePooling2D(name='a
浏览 1提问于2020-02-04得票数 0
回答已采纳
我一直在尝试编码一个使用挤压激励块的模型。 我对这个错误一无所知。请推荐替代方案。 import keras
from keras.models import Sequential,Model
from keras.layers import,Input,Dense,Conv2D,MaxPooling2D,Flatten,GlobalAveragePooling2D,BatchNormalization,Lambda,Conv2DTranspose,Reshape,Add,Multiply
import numpy as np
import io
x_inp=Input(shape=(
浏览 9提问于2019-07-01得票数 1
1回答
全。
我正在使用转移学习来建立一个基于我自己的样本的新模型。学习框架是Keras 2.0+。我参照这个页面修改了代码：精细调优InceptionV3在一组新的类 上。
在训练过程中没有出什么问题。当我使用测试集测试模型时，每个图片都给出了相同的预测类，尽管它们来自不同的类。示例：
>>> print(preds)
[[0.0000000e+00 4.5558951e-38 0.0000000e+00 0.0000000e+00 6.3798614e-36
8.4623914e-22 1.0000000e+00 1.0636564e-11]]
>>> pr
浏览 1提问于2018-12-17得票数 0
1回答
我在Keras中使用Inception模型和图像网络的预先训练的权重。 问题是，根据Keras文档，此模型的默认输入大小为299x299。虽然我的图像是230 * 350，但我不想调整它们的大小，因为这会扭曲图像。所以我正在尝试找到一种改变输入层大小的方法。 下面是我到目前为止尝试的代码，但我怀疑图像的净权重是否会被保留，因为我认为当我改变输入大小时，体系结构会发生变化。 任何想法.. input = Input(shape=(230, 350, 3), name='image_input')
base_model = InceptionV3(weights='ima
浏览 19提问于2019-01-31得票数 2
回答已采纳
1回答
具有不同输入尺度的CNN
、、、、
我想设计一台Conv。net实现多尺度分类问题。我的目标是在一种输入尺寸上训练CNN，并使用该模型来预测不同比例/大小的图像。对于CNNs，这是可能的吗？我正在使用keras/python开发我的网络？
任何帮助都将不胜感激。
浏览 4提问于2016-10-19得票数 1
1回答
我在CNN工作，我有不同大小和纵横比的图像，在预处理步骤中调整大小和中心裁剪图像可能会丢失一些有价值的信息(特别是从边缘-右，左，上和下)。我认为，更好的方法是应用自适应最大池化(给定目标输出尺寸)，以便在将图像传递到最终层之前调整图像大小。在keras中，我可以添加一个简单的最大池化层，但是在keras中有没有一种方法来告诉/绑定最大池化层的输出大小？例如:如果图像大小为800x1520，但所需输出为200x200，则应用最大池化，图像大小调整为200x200
浏览 7提问于2018-10-23得票数 2
train_length = 972
from keras.callbacks import ModelCheckpoint, EarlyStopping
history = model.fit(datagenerator.flow(x_train,y_train, batch_size = 32) ,
steps_per_epoch = 30 , epochs = 5, validation_data = datagenerator.flow(x_test, y_test)) 我还将在下面提供模型本身的构造。 from keras.models imp
浏览 13提问于2021-01-17得票数 0
回答已采纳
1回答
我想在Keras MobileNetV2中应用39 x 39大小的图像来对3类进行分类。我的图像表示热图(例如键盘上按了什么键)。我认为MobileNet是为处理尺寸224 x 224的图像而设计的。我不会使用转移学习，而是从零开始训练模式。
为了使MobileNet在我的图像上工作，我想用1替换前三步的2卷积。我有以下代码：
from tensorflow.keras.applications import MobileNetV2
base_model = MobileNetV2(weights=None, include_top=False,
浏览 2提问于2021-05-09得票数 0
回答已采纳
我想将ConvLSTM和Conv2D的输出传递到Keras中的一个密集层，在我的情况下，使用全局平均池和扁平池有什么区别。
model.add(ConvLSTM2D(filters=256,kernel_size=(3,3)))
model.add(Flatten())
# or model.add(GlobalAveragePooling2D())
model.add(Dense(256,activation='relu'))
浏览 0提问于2018-03-15得票数 42
回答已采纳
inputs = Input(shape=(img_dims, img_dims, 3))
from keras.applications.inception_v3 import InceptionV3
base_model = InceptionV3(weights='imagenet',include_top=False,input_shape=(img_dims, img_dims, 3))
x = base_model.output
x = Dropout(0.5)(x)
from keras.layers import GlobalAveragePooling2D
浏览 48提问于2020-01-10得票数 2
我在Keras中使用带imagenet权重的InceptionV3。我使用的Keras版本是2.2.4，而Keras-应用程序的版本是1.0.8。tensorflow版本为1.14.0。我遵循的是使用InceptionV3进行迁移学习的标准方法，如概述的。我得到了这个错误ValueError: Input 0 is incompatible with layer global_average_pooling2d_3: expected ndim=4, found ndim=2。我找到了一个GitHub ，其中用户面临着同样的问题。我遵循了在GitHub帖子上解决这个问题的建议，但我没有这样的运
浏览 0提问于2019-06-25得票数 3
回答已采纳
4回答
为了熟悉resnet50、keras和tensorflow的python3.7，我正在尝试运行我在教程中找到的深入学习代码。当我运行我的代码时，我会得到以下错误：
TypeError:无法将符号Keras输入/输出转换为numpy数组。此错误可能表示您试图将一个符号值传递给不支持的NumPy调用。或者，您可能试图将Keras符号输入/输出传递给不注册调度的TF API，从而阻止Keras自动将API调用转换为功能模型中的lambda层。
我试图使用堆栈溢出中提到的以下修复：
from tensorflow.python.framework.ops import disable_eager_
浏览 4提问于2021-04-21得票数 1
1回答
我训练了一个输入大小为(None, 256, 256, 1)的CNN模型，并使用model.save()方法保存了这个mthe模型。
在这个模型中，我在连接到一个密集的层之前使用了GlobalAveragePooling2D()，这反过来导致了三个值的输出。
我想要整个模型，因为它是(即，相同的架构和权重)，但不同数量的渠道在输入。
例如，如何将输入大小从(None, 256, 256, 1)更改为(None, 256, 256, 2).
我尝试了如下方法，但是它引发了一个属性错误，
from tensorflow import keras
cnn_model = keras.models.l
浏览 7提问于2022-11-04得票数 0
为了举例说明，我有一个输入，包含2个图像，总形状(2,299,299,3)。我试图在每个映像上应用inceptionv3，然后使用LSTM处理输出。我使用掩蔽层来排除正在处理的空白图像(如下所示)。
守则是：
import numpy as np
from keras import backend as K
from keras.models import Sequential,Model
from keras.layers import Convolution2D, MaxPooling2D, ZeroPadding2D, BatchNormalization, \
Input, Globa
浏览 0提问于2018-04-30得票数 9
1回答
如何将Keras Applications用于多输出模型？ 我尝试对多输出模型使用VGG16，但得到一个值错误ValueError: Input 0 of layer block1_conv1 is incompatible with the layer: expected axis -1 of input shape to have value 3 but received input with shape (None, 64, 64, 1)。我有点迷路了，似乎找不到任何关于VGG16或任何其他Keras预训练应用程序的多输出的东西。 我正在使用这个作为指南：Transfer Learni
浏览 21提问于2021-10-13得票数 0
回答已采纳
1回答
我正在用Keras构建一个CNN，它可以预测每幅图像中13个关键点的坐标。我所拥有的图像在输入维数上有所不同，所以我的输入层形状是(无，无，3)。我使用的是Inception模块，所以我使用的是函数API。现在，在为我的模型编写最后几层代码时，我遇到了一个问题。据我所知，我的输出层将是一个密集的(26)层，因为我将将x和y坐标编码为向量。我很难将输出层与前卷积层连接起来(因为张量尺寸)。
x = Input(None, None, 3)
stage_1 = Conv2D(26, (1, 1))(x)
stage_1 = Dropout(0.3)(stage_1)
stage_2 = Conv2
浏览 0提问于2019-03-25得票数 0
回答已采纳
我试图通过连接合并一个VGG-16和ResNet-50。我成功地训练和保存了合并后的模型。下面是代码片段：
from keras import applications
from keras.models import Model
from keras.layers import Dense, GlobalAveragePooling2D
from keras.layers import Concatenate
from keras.models import load_model
# Loading the training data
img_rows=300
img_cols=300
ch
浏览 0提问于2018-04-17得票数 0
回答已采纳
1回答
我对AveragePooling2D有个问题：
from keras.models import Sequential, Model
from keras.layers import Dense, Dropout, Activation, Flatten
from keras.layers import Convolution2D, MaxPooling2D, ZeroPadding2D, GlobalAveragePooling2D, AveragePooling2D
import keras.backend as K
import math
K.clear_session()
base
浏览 0提问于2018-03-25得票数 0
回答已采纳
我正在尝试做一个模型，使用ResNet50将图像分类为6个类别，我想在使用它们训练ResNet50模型之前降低图像的维度。为此，我开始使用keras中的模型创建一个ResNet50模型： ResNet = ResNet50(
include_top= None, weights='imagenet', input_tensor=None, input_shape=([64, 109, 3]),
pooling=None, classes=6) 然后我创建了一个序列模型，其中包括ResNet50，但在使用ResNet50之前添加了一些用于分类的最后一层和降维的第
浏览 51提问于2020-12-02得票数 0
回答已采纳
我从Tensorflow构建了下面的Keras模型(version = 2.2.4-tf)
model = tf.keras.Sequential()
model.add(Convolution2D(24, 5, 5, padding='same',init='he_normal', input_shape = (target_Width,target_Height, 3),dim_ordering="tf"))
model.add(Activation('relu'))
model.add(GlobalAveragePoolin
浏览 18提问于2021-03-07得票数 0
回答已采纳
我有一个受过训练的Keras模型，我想：
( 1)用相同但无偏置的Con2D层替代。
( 2)在第一次激活前添加BatchNormalization层
我该怎么做？
def keras_simple_model():
from keras.models import Model
from keras.layers import Input, Dense, GlobalAveragePooling2D
from keras.layers import Conv2D, MaxPooling2D, Activation
inputs1 = Input((28, 2
浏览 0提问于2018-03-26得票数 45
回答已采纳
将我的代码从TF1调整到TF2.6，我遇到了麻烦。我试图添加一些自定义层到一个初始resnet，保存模型，然后加载和运行它。
from tensorflow.keras.layers import Dense
from tensorflow.keras.models import Model
浏览 3提问于2022-01-11得票数 11
对于Keras的平均池层，我有点困惑。声明如下：
AveragePooling1D:时态数据的平均池。
参数
pool_size:整数，平均池窗口的大小。步幅:整数，或无。缩小规模的因素。2将把输入减少一半。如果没有，则默认为pool_size。填充物：“有效”或“相同”之一(不区分大小写)。data_format:字符串，channels_last (默认)或channels_first之一。输入中尺寸的顺序。
channels_last对应于带有形状的输入(批处理、步骤、特性)，而channels_first对应于带有形状的输入(批处理、特性、步骤)。
输入形状
如果data_forma
浏览 0提问于2019-02-02得票数 6
回答已采纳
1回答
我在做这个kaggle竞赛，我必须把这个x光分类为3类细菌，病毒或正常。
我不明白为什么它会让我犯同样的错误。
图像是rgb，输出形状是(none,3)，所以我真的不知道(none,1)形状在哪里。
有人能帮我吗？
下面是我的代码:将tensorflow作为tf从tensorflow导入到tensorflow.keras导入层
TRAIN_DIR = 'D:/tf/archiveBilanciato/chest_xray/train/PNEUMONIA'
TEST_DIR = 'D:/tf/archiveBilanciato/chest_xray/test'
I
浏览 4提问于2021-04-08得票数 0
回答已采纳
1回答
叠加卷积网络与递归层
、、、
我正在研究一个视频序列分类器。它应该在输入和输出一个标签上接受几个视频帧，或者0或者1。所以，它是一个多对一的网络。
我已经有了一个单帧分类器。该分类器利用Conv2D进行多次卷积，然后应用GlobalAveragePooling2D。这就产生了长度为64的一维矢量。然后，原始的每帧分类器有一个Dence层，激活了softmax .
现在我想扩展这个分类器来处理序列。理想情况下，序列应该具有不同的长度，但现在我将长度固定为4。
为了扩展我的分类器，我将用一个1单元的LSTM层代替Dense。所以，我的目标是让LSTM层一个接一个地取几个长度为64的一维矢量，然后输出一个标签。
从原理上讲，我现
浏览 2提问于2018-05-31得票数 0
回答已采纳
我有128个神经元的输入层。两层有128个神经元的隐层，每个神经元都有激活功能。现在，我很难构造输出层。可以将输入值与mnist数据集的像素值进行比较。每个输入(128个数值)的输出范围为-128到127。此范围内的每个值(-128至127)表示一个输出类。我用激活函数乙状结肠收缩了256的输出层。
我的代码是
model_1 = keras.Sequential([
keras.layers.Dense(128, input_shape=(128,), activation='relu'),
keras.layers.Dropout(.5),
kera
浏览 7提问于2021-12-20得票数 0
我的工作是医学图像分类使用Resnet50模型。每当我试图平平图层时，我就会得到这个错误。
ValueError: Attempt to convert a value (None) with an unsupported type (<class 'NoneType'>) to a Tensor.
我的代码如下所示
from PIL import Image
import numpy as np
import tensorflow
from tensorflow.keras import layers
from tensorflow.keras.callbacks
浏览 5提问于2021-07-01得票数 1
回答已采纳
这是一个回归问题，我想从大小为224 x 224的图像中生成5个浮动值。所以我使用完全连接的网络，在最后一层有5个节点。但是，在keras中这样做会给我以下错误：
import keras, os
import numpy as np
from tensorflow.keras.models import Model
from tensorflow.keras.optimizers import Adam
from tensorflow.keras.layers import Dense, GlobalAveragePooling2D
from tensorflow.keras.applica
浏览 6提问于2020-12-28得票数 5
回答已采纳
我正在尝试构建"https://github.com/Blaizzy/BiSeNet-Implementation“中所示的BiseNet。 当我想使用Keras(tf后端)中的GlobalAveragePooling2D()来完成图(B)中的注意力细化模块时，我发现GlobalAveragePooling2D()的输出形状不适合下一次卷积。 我在github中检查了许多BiSeNet代码的实现，然而，大多数都使用AveragePooling2D(size=(1,1))。但是AveragePooling2D(size=(1,1))是完全没有意义的。 所以我定义了一个lambda层来做
浏览 19提问于2019-04-30得票数 1
1回答
我正在尝试绘制来自U-net的输出数据数组。该数组包含用于图像分割的一次性编码的mnist数据。 其形状为：(28,28,11) 因此，对于原始图像中像素值为0的每个位置，one-hot编码将放置一个0 0 0 1的数组，表示此像素为空。 另一方面，如果像素值> 0，则one-hot数组将显示整个图像的分类。 例如:如果mnist图像是2，则值> 0的每个像素都会变成一个数组0 0 1 0 0 0。 我想知道是否有一种方法可以显示这样的数组，数组中的每个元素都由一个单热点数组组成。 我试着只对数据使用plt.imshow，但是，它抛出了一个错误，说"TypeError:图
浏览 8提问于2019-09-29得票数 0
我尝试使用backbone的自定义输入进行迁移学习：
(我无法正常迁移学习，因为我的输入形状是N*N*8，需要添加小network_1才能达到N*N*3)
model_1
|
|
add model_2
|
add some layer
我的代码：
model_1.add(model_2)
model_1是我的小型网络: model_2是Mobilenet或VGG16，或Densenet .....
model_1 = Sequential()
model_1.add(InputLayer(input_shape=(size, size, F), name="Inp
浏览 0提问于2019-08-27得票数 1
1回答
我有三个Numpy数组，每个数组的形状都是(6000,3,256)。我想使用这三个作为Keras Functional API for Dense Neural Network的输入。我的输出应该是形状(6000,2)。我对如何指定尺寸感到困惑。
浏览 18提问于2020-04-10得票数 1
回答已采纳
1回答
在Keras中，border_mode = 'valid'不对输入进行零压缩。因此，我们随后得到一个与输入大小不同的输出特性映射。同样，设置border_mode = 'same'将输出功能映射作为输入。我的问题是，如果我们设置border_mode = 'same'，是否也应该使用zero_padding函数执行零填充？
浏览 0提问于2016-08-20得票数 1
回答已采纳
我在凯拉斯完全是个乞丐。在Inception v3示例中的https://keras.io/applications/
# create the base pre-trained model
base_model = InceptionV3(weights='imagenet', include_top=False)
# add a global spatial average pooling layer
x = base_model.output
x = GlobalAveragePooling2D()(x)
# let's add a fully-connecte
浏览 0提问于2018-02-21得票数 2
回答已采纳
我是Python和深入学习的新手，在我的currrent项目中坚持这个语法错误。有133个分类，所以我把它作为输出。无论如何，请参考下面的代码，并让我知道为什么我会得到这个错误：
File "<ipython-input-1-2979a000d526>", line 18
model.add(Dense(133))
^
SyntaxError: invalid syntax
以下是代码：
from keras.layers import Conv2D, MaxPooling2D, GlobalAveragePooling2D
from ker
浏览 0提问于2018-03-12得票数 1
回答已采纳
我正在尝试导入Keras，但是我得到了以下错误：
ImportError: cannot import name 'adam' from 'keras.optimizers' (/usr/local/lib/python3.8/dist-packages/keras/optimizers/__init__.py)
在这里调用导入：
from tensorflow import keras
from keras.layers import Conv2D, Input, MaxPool2D,Flatten, Dense, Permute, GlobalAverage
浏览 3提问于2020-07-03得票数 66
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
对象存储
腾讯会议
实时音视频活动推荐
腾讯云开发者
