使用inceptionv3预训练模型进行预测时为什么会出现误差
使用inceptionv3预训练模型进行预测时可能会出现误差的原因有以下几点：
- 数据集不匹配：inceptionv3模型是在大规模图像数据集上进行训练的，如果使用的预测数据集与训练数据集的特征分布不一致，就会导致误差。例如，如果预测数据集中的图像与训练数据集中的图像在颜色、尺寸、角度等方面有较大差异，模型可能无法准确预测。
- 迁移学习不完善：inceptionv3模型是通过迁移学习来进行预测的，即将模型在一个任务上训练的权重应用到另一个任务上。如果迁移学习的过程不完善，即使模型在训练数据集上表现良好，也可能无法准确预测新的数据。
- 输入数据质量问题：预测时输入的图像质量可能存在问题，例如图像模糊、噪声干扰等，这些问题都会影响模型的预测准确性。
- 模型过拟合：如果训练数据集过小或者模型复杂度过高，就容易导致模型过拟合，即在训练数据上表现很好，但在新数据上表现较差。
为了减少误差，可以采取以下措施：
- 数据预处理：对预测数据集进行预处理，使其与训练数据集的特征分布尽可能一致，例如进行图像增强、尺寸调整等操作。
- 迁移学习调优：在使用inceptionv3模型进行预测时，可以通过微调模型的部分参数来适应新的任务，提高预测准确性。
- 数据质量控制：确保输入的图像质量良好，可以通过图像清晰度评估、噪声去除等方法来提高数据质量。
- 模型评估与调整：定期评估模型的性能，并根据评估结果对模型进行调整，避免过拟合问题。
腾讯云相关产品推荐：
- 腾讯云图像识别（https://cloud.tencent.com/product/imagerecognition）：提供了丰富的图像识别能力，包括图像分类、标签识别、人脸识别等，可与inceptionv3模型结合使用。
- 腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）：提供了强大的机器学习能力，包括模型训练、迁移学习等功能，可用于优化inceptionv3模型的预测效果。
相关·内容
1回答
我使用的是在Imagenet上预先训练好的Keras Inception_v3：
base_model = InceptionV3(weights='imagenet', include_top=True)
当我从生成的图像进行预测时，我得到了输出向量，它具有一个形状(n,1000)，n是给定的图像数量。因此，现在如果我想解释结果，我需要用于训练模型的1000个输出类的名称……但是我找不到它！
有什么想法吗？
浏览 0提问于2018-08-25得票数 0
回答已采纳
我在python中创建了一个简单的Keras深度学习模型。训练中变量的总no为195，而未见的测试数据为181，所有输入字段都是分类的(由一个热编码转换)。由于看不见的测试数据有一些不同的类别，这就是为什么在一个热编码字段与train不匹配的原因。
因此，在对未见测试数据进行预测时，模型给出了以下误差。有什么出路吗？
ValueError: Error when checking input: expected dense_30_input to have shape (195,)
but got array with shape (181,)
浏览 0提问于2019-06-21得票数 1
1回答
我正在尝试基于Keras中的InceptionV3架构来训练一个分类器。为此，我加载了预训练的InceptionV3模型，没有顶部，并为分类问题的类添加了一个最终的完全连接层。在第一次训练中，我冻结了InceptionV3基模型，只训练了最终完全连接的层。
在第二步中，我希望通过解冻InceptionV3模型的一部分来“微调”网络。现在我知道InceptionV3模型广泛地使用了BatchNorm层。建议()，当BatchNorm层在传递学习时“解冻”以进行微调，以保持由BatchNorm层计算的均值和方差固定。这应该通过将BatchNorm层设置为推理模式而不是训练模式来完成。请参阅：
现在
浏览 1提问于2021-04-01得票数 0
2回答
我正在使用凯拉斯的预训练模型在两张图像中进行特征提取，但是它们给出了相同的结果(array_equal =真)。我尝试过其他模型，如VGG16和Resnet50，但结果都是一样的。是我写错了代码，还是预先训练好的模型的局限性？我能做些什么来提取不同的特征？谢谢! import cv2
from keras.applications.inception_v3 import InceptionV3
from keras.applications.inception_v3 import preprocess_input
model = InceptionV3(weights='image
浏览 26提问于2020-06-29得票数 0
回答已采纳
1回答
交叉验证Vs.列车验证测试
我还有一个问题是关于上述帖子中的“响亮回答”：
训练次数为k次，每次忽略训练集的不同部分。通常，这些k模型的误差是平均的。这是对要测试的每个模型参数进行的，并且选择误差最小的模型。
当我们说“选择误差最小的模型”时，这意味着：
选择平均误差最小的参数，从K模型中找出具有绝对最小误差的模型。
我们选择平均误差最小的参数，然后在整个训练集上训练一个新的模型，使用这些参数？
我们选取平均误差最小的参数，然后取所训练的K模型的平均权值。
艾恩
浏览 0提问于2019-09-27得票数 4
1回答
我正在尝试检测时间序列数据集中的异常。我正在根据阈值对预测值进行分类。 以下是我所做的详细描述： 我将整个数据集分为训练数据集和测试数据集，然后在训练数据集上拟合ARIMA模型。我使用建立的模型来预测测试观察值，然后计算实际值和预测值之间的误差： 错误= actual_testing - predicted_testing 通常，我必须根据计算出的误差选择阈值来对每个观察值进行分类。 如果Error>阈值为==>，则为异常 有什么方法可以选择这个阈值吗？
浏览 78提问于2021-03-26得票数 0
回答已采纳
1回答
微调输入大小较大的模型
、、、、
我在想，用更大的输入量对模型进行微调是否有意义？理想情况下，我希望拥有的属性：
微调:意思是通过预训练重复使用权重。
更大的输入尺寸:在模型中进料前不要向下取样.也许有更大的步幅？
具体来说，我正试图用特定的标签集对Keras中的InceptionV3进行微调。我想要更大的数据大小，因为我希望模型能够隐式地学习一些重要的字符。对于InceptionV3默认大小(299x299)，这在我看来是不可能的。
但这听起来像是我必须改变我正在重复使用的特定模型(比如修改中的特定层)，那么重复使用预先训练过的权重就没有意义了？
浏览 0提问于2019-01-05得票数 0
回答已采纳
1回答
我正在尝试在Keras + Tensorflow中对一个选定的位置子集进行迁移学习-205个数据集，仅包含27个类别。我正在使用InceptionV3、DenseNet121和ResNet50，在ImageNet上进行了预先训练，并添加了几个额外的层来适应我的类。如果模型是ResNet，我会为分类添加Flatten + Dense，如果是DenseNet或Inceptionv3，我会添加全局平均池+ Dense (relu) + Dense (分类)。这是代码片段：
x = base_model.output
if FLAGS.model in 'resnet50':
浏览 0提问于2018-04-16得票数 1
我正在尝试创建一个自定义的tensorflow tf.Estimator。在传递给tf.Estimator的model_fn中，我从Tensorflow Hub导入了Inception_V3模块。
问题:在对模型进行微调(使用tf.Estimator.train)之后，基于tf.Estimator.evaluate (这是针对回归问题)使用tf.Estimator.predict获得的结果不如预期的好。
我是Tensorflow和Tensorflow Hub的新手，所以我可能会犯很多新手错误。
当我尝试对相同的验证数据使用tf.Estimator.predict()时，问题就出现了。
tf.E
浏览 4提问于2019-02-16得票数 0
1回答
只在一个类别上使用CNN
、、、、
我想在一类图像上使用InceptionV3。仅检测一种类型的对象/一个标签)。例如，检测“企鹅”或“没有企鹅”。我所有的图像都被裁剪下来，主要是显示物体，所以几乎没有任何背景出现，物体在清晰的视野中。我使用了瓶颈技术；我冻结了“盗梦空间”的顶层，这样我就可以重新训练“盗梦空间”来分类我的对象。然而，这意味着我没有可供选择的类来训练，因为我只想分类一个对象。
问题是，val_accuracy总是等于1，这意味着一个完美的模型，我更好的本性说它太好了，不可能是真的。因此，我相信问题是，我只提供了一个类别的模型。我怎样才能克服这一切？
最后，我用InceptionV3和一个开箱即用的模型进行了测试，
浏览 0提问于2020-08-28得票数 0
1回答
我正在使用Python的大Keras库来训练神经网络。我对一种我不明白的行为感到好奇。
通常，甚至更小的模型收敛到比小的更大的误差。
这一切为什么要发生？我希望更大的模型只是训练时间更长，但收敛到较小或相同的误差。
我对模型进行了超优化，尝试了不同数量的失学正则化，并让它有足够的时间进行训练。我试验了大约10-20k参数、5层、10M数据样本和20-100个低LR历元的模型。模型包含密集的有时是LSTM层。
浏览 0提问于2018-01-31得票数 0
使用"tensorflow for poets"，我重新训练了inceptionv3图。现在，我想使用tfcoreml转换器将图形转换为iOS coreML模型。
但tf_coreml_converter.py会以"NotImplementedError: Unsupported Ops of type: PlaceholderWithDefault“停止。
我已经尝试了"optimize_for_inference“和"strip_unused"，但我无法摆脱这个不受支持的操作"PlaceholderWithDefault”。
你知道在
浏览 0提问于2018-01-06得票数 1
1回答
我有非常小的图像数据集(747个图像用于训练，250个图像用于测试，其中图像大小调整为256x256)。任务是多标签分类(两个感染之间可能同时发生，但我的训练数据没有这种情况)。 由于我的数据集非常小，我决定使用VGG16和InceptionV3进行迁移学习。当我训练VGG16时，一切都遵循理论，例如，训练损失和验证损失不断减少，并且值没有太大差异，如图1所示 ? 当我训练InceptionV3时，模型似乎是过拟合的，但我不确定这一点，因为训练损失约为0.6，而有效性损失约为训练损失的10倍，如图2所示 ? 两个模型都增加了3个致密层。我附上了代码以供参考。我无法解释为什么更大的
浏览 14提问于2020-03-31得票数 0
回答已采纳
我正在尝试用tensorflow后端在keras中训练一个预先训练过的inceptionv3模型。
我有一个训练数据集，大小为10,000张图片(299,299张)(它们是灰度)。我将其转换为tensorflow的输入形状为(10000,299,299,1)。当我试图拟合inceptionv3模型时，我得到了一个错误
ValueError:检查输入时出错:期望input_1具有形状(无，3)，但得到了形状数组(10000,2999,299，1)
我尝试更改张量的输入形状，使用
input_tensor = Input(shape=(299,299,1))
base_model = In
浏览 1提问于2017-06-30得票数 1
回答已采纳
我想加载一个预先训练的模型，并开始测试图像。
这是我认为能起作用的代码：
from keras.applications.inception_v3 import InceptionV3
from keras.preprocessing import image
from keras.models import Model
from keras.layers import Dense, GlobalAveragePooling2D
from keras import backend as K
base_model = InceptionV3(weights='imagenet'
浏览 0提问于2019-06-09得票数 2
回答已采纳
在微调花卉训练集上的InceptionV3模型中，有两个部分：
# Fine-tune only the new layers for 1000 steps.
然后运行评估。
然后,
# Fine-tune all the new layers for 500 steps.
然后运行第二个评估。
这在微调方面意味着什么？我不知道这个“步骤”的概念意味着什么，也不知道为什么他们需要做两次评估。
浏览 1提问于2017-07-19得票数 0
回答已采纳
1回答
结果表明，随着层数的增加，“普通”神经网络的训练误差增加，伴随着测试误差的增加。我不太清楚为何会出现这种情况。在最初的ResNet论文中，他们假设并证实这不是由于消失梯度造成的。
据我所知，对于一个模型来说，很难近似层间的同一性映射，而且当这个映射是最优的时候，模型可能倾向于近似于零函数。如果是这样的话，为什么会发生这种情况？最后，为什么在身份映射可能也是最优的较浅的网络中没有发生这种情况？
我对这个话题很陌生，如果我不完全理解这个问题，我很抱歉。谢谢。
浏览 0提问于2019-09-02得票数 5
1回答
有没有办法在预测时获得有把握的分数/误差百分比？我使用了轻量级的GBM Regressor( python 3.6)来训练我的数据。除了预测之外，我还想对误差进行估计。
浏览 227提问于2020-06-19得票数 1
我已经使用EMNIST byclass数据集通过加载训练和测试数据的.csv文件以及数字(0-9)和字母(A-Z，a-z)分类的标签来训练我的模型。我得到了大约87%的模型评估准确率。但是，当我使用keras load_model()使用最佳保存的模型权重(.hdf5)时，它给出了奇怪的结果，就好像没有进行任何训练一样。但是在加载模型之后，如果我运行模型评估，iyt仍然会给我87%的准确率。
那么，在对任何新图像进行预测时，如果我得到错误的预测，会出现什么问题？
谢谢
浏览 92提问于2018-02-09得票数 -1
我知道你应该把你的训练数据和测试数据分开，但是当你用你的模型进行预测时，你可以使用整个数据集吗？
我假设分离您的训练和测试数据对于评估不同模型的准确性和预测强度是很有价值的，但是一旦您选择了一个模型，我想不出使用完整数据集进行预测有什么坏处。
浏览 4提问于2016-09-20得票数 2
考虑下面的场景。
我已经训练了一个K均值模型，比如输入特征(A，B，C，D和E).现在，在进行预测时，我希望只使用较少的特征数(A、D、E)来进行模型预测，而不是最初训练的特征数(A、B、C、D和E)。
根据对上述事实的理解，我有以下问题：
对于机器学习原理，这种方法是正确的还是合乎逻辑的？
它会影响模型的准确性吗?如果是，那么如何影响？
如果我必须提供特性B和C，那么我是否可以用零填充它们，然后将其提供给经过训练的预测模型。
步骤3中采取的行动是否会影响模型的准确性，如果是的话，那么为什么和如何影响？
浏览 0提问于2021-01-12得票数 2
我正在创建一个预测客户流失的模型。在查看这的帖子时，出现了一些疑问：
-All我们在训练数据时所做的转换，在预测时还要执行吗？例如，如果我在训练算法时对一列进行“一次热编码”，那么当我用最后的模型进行预测时，是否应该再次编码？
-All --这个转换存储在.pkl文件中，因此，当我们调用预测方法时，所有这些转换都发生了吗？
如果这个问题说不通，很抱歉，但我是新手
浏览 0提问于2022-02-16得票数 0
2回答
我正在使用Keras中的multi_gpu_model训练一个修改后的InceptionV3模型，并使用model.save保存整个模型。
然后，我关闭并重新启动了集成开发环境，并使用load_model重新实例化了模型。
问题是我不能从我中断的地方恢复训练。
代码如下：
parallel_model = multi_gpu_model(model, gpus=2)
parallel_model.compile(optimizer='rmsprop', loss='categorical_crossentropy')
history = parallel_m
浏览 1提问于2018-01-26得票数 3
我想训练一个卷积神经网络来识别两种类型的类。
我还想使用已经训练好的模型的第一个卷积层，比如InceptionV3。
然而，训练过程非常缓慢。你有什么建议吗?我能改进什么？我不会提到我的CPU，RAM，这里我关心的是瓶颈在哪里，以及我可以改进什么来加快它(我的图像已经是229x299x3)。
from keras.applications import InceptionV3
from keras import layers
from keras.models import Model
from keras import optimizers
from keras.preprocessing.
浏览 0提问于2019-03-20得票数 0
1回答
为什么(从inceptionV3)提取特征的训练分类器比简单的堆栈分类器要快得多？
根据我的经验，提取特征+训练分类器的速度大约要快3-10倍。
浏览 0提问于2017-06-14得票数 -2
回答已采纳
我正在尝试将经过预先训练的InceptionV3模型(.ckpt)从转换为.pb文件，以便在Tensorflow for Mobile示例中使用。我已经搜索了该网站以及GitHub仓库，并没有找到任何结论性的答案。
(OpenImages盗用模型：)
谢谢你的答复。
浏览 5提问于2017-07-11得票数 0
回答已采纳
我有两个预先训练并保存的Inception模型。
模型1=带有Imagenet类的初始模型-它可以预测1000个类中的图像。
模型2=带有我自己的分类的初始模型(20个类)-它可以预测20个类中的图像。执行迁移学习并保存模型。
我想把这两者结合起来，用1020个类别来预测图像。
Model1 = inception_v3.InceptionV3(weights='imagenet')
预测1000个类别的图像
predictions1 = Model1.predict(processed_image)
Model2 = InceptionV3(weights='ima
浏览 2提问于2019-02-06得票数 0
1回答
我正在使用InceptionV3模型进行培训。下面是代码(https://github.com/maxmelnick/tensorflow/blob/no_随机/tensorflow/示例/图像_再培训/再培训)的链接，最初我有一个小的数据集。因此，我使用了增强技术来增加数据集的大小。
培训阶段数据集分为培训、验证和测试。在训练阶段，11个班的准确率为96%。但当我预测任何新的输入图像(未见数据)时，它的准确率为56%。模型有什么问题？
我已经使用了Dropout，交叉验证，OverSampling技术，但在新的输入图像上没有取得好的效果。
训练时使用的参数。
训练样本-每班800张图片
培训
浏览 0提问于2020-09-02得票数 0
1回答
我有60万张图像，我想用角膜来分类。我只是尝试在灰度图像上预先训练的模型。并尝试采用resnet50、inceptionv3等预训练模型的模型结构，但模型的准确性和验证精度没有变化，仅停留在67%。我试着改变网络，应用更多的时代，也改变了预先训练的模型，但我总是得到67%的准确性和验证精度的相同的结果。我不明白为什么我会得到同样的结果。请给我一些关于如何解决这个问题的建议。。在这个steps_per_epochs = no.图像/批处理大小和批处理大小为128。训练数据集中的图像为479369，验证数据集中的图像为136962。。
浏览 3提问于2022-07-19得票数 0
1回答
我是DL新手，需要一些关于初始V3模型的帮助。正如我们所知，默认情况下，v3模型的预训练Keras模型使用来自imagenet的权重，并给出1000个类的输出。现在，我想为COIL数据集添加具有100个类的输出层，据我所知，这对于Keras是不可用的。那么，我如何添加新的权重，或者如果可能，我如何将imagenet的类从1000更改为100？
另外，是否有可能将mnist数据集添加到inceptionV3网络？
浏览 1提问于2020-10-14得票数 0
1回答
目前，我正在做一个工业自动光学检测用例，在这个用例中，我尝试了不同类型的预训练CNN，如MobileNet、Resnet、VGGNet或InceptionV3，所有这些都是使用Imagenet进行预训练的。 我想知道你是否可以给我一个建议，哪个模型最适合工业AOI用例，目的是找出材料表面的缺陷。这些图像是灰度图像。 你认为预先训练的模型在这里更有意义吗(如果是-哪种模型？仅训练新添加的致密层或也重新训练卷积层？)或者你认为在这种情况下，从头开始开发和训练CNN更有意义？也许有人有一些经验，可以分享一下！谢谢你的建议！
浏览 34提问于2020-03-20得票数 0
2回答
我想训练Inceptionv3模型，在那里我试图给一个单一的图像3不同的视图，并训练它。
使用案例：
我想预测一下鞋的类型。在这个问题中，通常会有很多信息呈现不同的视图，所以只想尝试这种方法。
浏览 0提问于2019-01-24得票数 0
我发现最好是从交叉验证的角度问我的问题。下面是：
假设一个二进制分类问题，并将交叉验证应用于某一学习算法.假设CV列车误差和CV测试误差均达到90%的准确度，表明了较好的拟合效果。由于这个性能对于我们的问题是可以接受的，所以我们将训练和验证集组合成一个最终的完整数据集，并训练最终的模型。对于最后的数据集，只有训练错误可用，假设在我们的示例中这将是92%。
现在，对于这个问题:知道最终模型已经达到了92%的准确度，在最终数据集中保留8%的错误示例是否有什么用？既然这些例子是无法学习的，那么为什么不删除它们，用仅能学到的92%的数据对最终模型进行再培训呢？
备注
据我所知，在上述例子中，上述8%的
浏览 0提问于2021-02-06得票数 2
1回答
神经网络中不冻结层的奇怪后果
、、、、
我在研究“为什么我们要冻结层”，我发现答案是：“不要丢失预先训练过的模型的信息”，但是，我们只是冻结了早期层(我知道为什么)。例如:我们的数据与模型所训练的数据非常相似。假设我们没有冻结任何一层。模型会犯很小的错误，收敛也会更少，我们不会破坏任何信息(即使权重变化很小)。我说错了吗？如果我不是，那我们为什么要冻结任何一层？
浏览 0提问于2022-08-29得票数 0
回答已采纳
我已经成功地重新运行了模型，但当涉及到预测时，我不知道为什么原子矢量的误差会出现。有人能建议……吗？
这是我的代码：
> #Algo
> #Regressor
> regressor=lm(Accepectance.Rate~.,train_set) summary(regressor)
>
> #newModel rerun
> new_model=lm(Accepectance.Rate~GRE.Score+LOR+CGPA+Research.Paper,train_set)
> summary(new_model)
>
> #
浏览 1提问于2021-05-10得票数 0
X数据的两个常见的ML预处理步骤是标准化(例如，缩放到单位方差)和分解(将特征映射到一个新空间AIUI)。
在ML管道中实现这些步骤(包括培训/测试/验证集)的两种可能方法是：
1)对整个训练/测试/验证X数据集进行标准化/分解，然后分解成训练/测试集，并使用最小误差模型对验证集进行预测。
( ii)分成训练/测试集，然后分别对训练/测试集进行标准化/分解，并使用最低误差模型(标准化/分解后)对验证集进行预测。
这些方法中的一种比另一种更可取吗?为什么？
浏览 2提问于2015-05-12得票数 1
回答已采纳
1回答
我用tensorflow格子中的Keras预先制作的模型，使用python3.7构建了自己的模型，并保存了经过训练的模型。然而，当我使用经过训练的模型进行预测时，预测每个数据点的速度都在毫秒级，这似乎非常缓慢。有什么方法可以加快tfl的预测过程吗？
浏览 0提问于2021-04-21得票数 0
回答已采纳
我是在阅读论文时遇到这个问题的。作者表示，他们使用来压缩预先训练的模型。该算法包括哈夫曼编码等。
我推断预训练的都是参数，我知道这些参数是在训练网络时生成的，但我不知道这些参数是如何生成的。在进行预测时，预训练模型的参数起到了什么作用？
在我听来像是黑魔法
浏览 2提问于2016-11-30得票数 0
1回答
我尝试了几个神经网络，我想知道，我什么时候才能有一个好的训练模型。
首先，训练误差下降，并在一定数量的时期保持不变，验证误差也是如此。它现在已经收敛了吗？
其次，训练误差在所有模拟时期都会下降，验证误差首先会下降，但在10个时期后会增加。我只能止步于此吗？
在哪种情况下，我会有一个训练得更好的模型？什么是所需的行为？
谢谢
浏览 15提问于2019-11-08得票数 2
我想训练一个包含一个子网络的网络，我需要在训练期间保持固定。其基本思想是在预先训练好的网络(inceptionV3)中预先添加和附加一些层。
new_layers -> pre-trained and fixed sub-net (inceptionv3) -> new_layers
并为我的任务运行训练过程，而不改变预先训练的任务。我还需要直接在预先训练的网络的某一层上进行分支。例如，对于inceptionV3，我喜欢从conv 299x299到最后一个池层，或者从conv 79x79到最后一个池层。
浏览 2提问于2016-02-03得票数 4
我正在训练一个Keras模型，我有RGB格式的训练图像。我想训练我的模型，但在InceptionV3上的灰度图像，但它以RGB图像作为输入。我的问题是:如何才能首先将RGB图像转换为灰度，然后在三维中复制？我正在使用Keras的TrainDataGenerator.flow_from_directory方法。
浏览 3提问于2020-12-07得票数 1
回答已采纳
因此，我有一个我训练过的TensorFlow模型，当我打印传递给要训练的模型的数据类型时，它是
<class 'tensorflow.python.data.ops.dataset_ops.MapDataset'>
当我使用.predict进行预测时，是否需要将相同类型的数据传递到模型中，还是可以像一个具有相同维度的numpy数组那样传递它？
浏览 0提问于2020-11-24得票数 1
回答已采纳
3回答
嘿，我正在训练一个CNN模型，我想知道如果我使用相同的数据进行验证和测试会发生什么？模型是否也对验证数据进行了培训？(我的模型看到验证数据了吗？)还是只计算了误差和准确度，并在训练中加以考虑？
浏览 6提问于2020-05-24得票数 1
回答已采纳
2回答
这是我第一次使用蓝色机器学习..。
当我使用相同的训练数据和测试数据训练了两个模型时，当涉及到评估模型时，它会出现误差。
所有的模型都必须有相同的学习者类型。
你知道什么是“学习者类型”的机器学习模式，以及如何告诉学习者类型的模式？
下面是我在蓝色机器学习方面的基本实践的截图：
浏览 3提问于2016-04-21得票数 0
回答已采纳
我已经在Keras中训练了一个模型，并以不同的方式保存它，比如；
model.save("filename")
或
model.to_json()
model.save_weights("filename")
但是，当我将训练好的模型加载到另一个程序中进行预测时，我得到的结果与测试结果非常不同。
为什么会发生这种情况，我该如何处理？
浏览 0提问于2018-08-01得票数 2
我正在利用Keras中的传递学习实现一个卷积神经网络，使用来自InceptionV3的预先训练的keras.applications模型，如下所示
#Transfer learning with Inception V3
base_model = applications.InceptionV3(weights='imagenet', include_top=False, input_shape=(299, 299, 3))
## set model architechture
x = base_model.output
x = GlobalAveragePooling2D(
浏览 1提问于2017-09-30得票数 3
回答已采纳
1回答
在回归的目标中，训练错误的总体要点是什么(即，作出预测)？
你可能会说，“嗯，你看，训练错误可以帮助你确定哪种复杂的模型是最好的。”
对此，有些人会说，“不，你不能。低训练误差可能只是意味着你的模型符合你正在训练模型的任何数据，A.K.A超拟合。”
如果训练误差不是一个很好的性能预测指标，那么计算它有什么意义呢？
特别是当我们说，去他妈的训练错误，只是使用验证错误..。
我们什么时候会使用训练错误？
较低的训练误差可能是过度拟合的表现。这是唯一的用途吗？
浏览 3提问于2016-08-08得票数 5
2回答
在小型定制语料库上预训练语言模型
、、、、
我很好奇是否可以在文本生成中使用迁移学习，并对特定类型的文本进行再培训/预训练。
例如，有一个经过预先训练的BERT模型和一个小型的医学语料库(或任何“类型”)文本，就可以生成一个能够生成医学文本的语言模型。假设你没有大量的“医学文本”，这就是为什么你必须使用转移学习。
我把它说成是一条管道，我把它描述为：
使用经过预先训练的伯特装置。
从我的新文本中获取新的标记，并将它们添加到现有的经过预先培训的语言模型中(例如，vanilla BERT)。
使用组合标记器在自定义语料库上重新训练预训练的BERT模型。
在小型定制语料库中生成类似于文本的文本。
这听起来耳熟吗？抱着脸
浏览 5提问于2020-04-24得票数 7
2回答
我有非常有趣的经验，我的CNN二值图像分类。你认为结果是偶然的还是背后有逻辑的？
我用InceptionV3和softmax (我知道你会说为什么不ReLU)，但这就是我所做的。
我训练了100个时代。但结果很糟糕。从训练过程中，我注意到在12世纪，结果是很好的(训练的准确性和验证的准确性)。所以我在12世纪训练了模特。在试验数据上的结果也很好。
这是否意味着在几个时代，结果会更好？
浏览 0提问于2020-11-03得票数 1
2回答
Spacy实体链接模型的训练时间
、、、、
我正在尝试使用维基数据和维基百科训练一个空间实体链接模型，使用中的脚本。我已经生成了知识库，并开始训练模型，但一周多之后还没有完成。正常情况下需要多长时间？(我没有使用GPU)
或者，有没有我可以使用的预训练的Wikidata实体链接模型？
谢谢
浏览 8提问于2019-10-24得票数 5
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
实时音视频
对象存储
即时通信 IM活动推荐
腾讯云开发者
