2回答
时代的多少会影响过拟合吗？
、、、、
我正在使用卷积神经网络，CNN。在一个特定的时代，我只保存最好的CNN模型的权重，基于改进的验证精度比以前的时代。
增加划时代的次数是否也会增加CNNs和深度学习的过度拟合？
浏览 0提问于2018-02-07得票数 20
回答已采纳
1回答
我正在学习Convolutional Neural Network，现在我对如何实现它感到困惑。
我知道常规的神经网络和像Gradient Descent和Back Propagation这样的概念，我也能理解CNN是如何直观地工作的。
我的问题是关于CNN的反向传播。它是如何发生的？最后一个完全连通的层是规则神经网络，这是没有问题的。但是我如何更新卷积层中的滤波器呢？如何将错误从完全连接的层反向传播到这些过滤器？我的问题是更新过滤器！
过滤器只是简单的矩阵？或者他们有像规则神经网络这样的结构，并且层间的连接模拟这种能力？我读过关于Sparse Connectivity和Shared Weig
浏览 1提问于2018-05-13得票数 0
回答已采纳
1回答
如何在卷积神经网络中用Keras实现蒙特卡罗丢包，以估计YARIN GAL提出的预测不确定度？我用的是R.
我将模型按小批进行拟合，并希望用Monte dropout.Could在Keras documentation.BTW中找不到任何提示来评估小批模型，我用标志training=TRUE训练了我的模型。
谢谢
浏览 0提问于2018-04-25得票数 4
回答已采纳
1回答
我的科学博览会项目是关于用神经网络代替多项式的曲线拟合。我知道在datascience中这是一个被广泛完成的过程，但我想做我自己的研究。目前最大的问题是训练时间，为了解决这个问题，我有了一个主意。如果我训练一个人工神经网络来预测最适合模型的多项式的程度，然后使用标准多项式回归来拟合曲线呢？这将使训练只进行一次，这样我就可以在我想训练的时间内训练，因此它将大大提高速度。这里面你有什么想法？以前有人这样做过吗？这可信吗？
浏览 0提问于2019-02-25得票数 1
回答已采纳
1回答
我有一个包含100000个二进制三维形状数组(6，4，4)的数据集，所以我输入的形状是(10000，6，4，4)。我正在尝试使用Keras建立一个三维卷积神经网络( input_shape )；但是，我输入的这个3D卷积神经网络似乎有一个问题。我的第一层是：
model.add(Conv3D(20, kernel_size=(2, 2, 2), strides=(1, 1, 1), activation='relu', kernel_initializer='he_uniform', input_shape=(None, 6, 4, 4, 1)))
我收到的错误
浏览 1提问于2021-06-11得票数 0
回答已采纳
2回答
我正在使用Keras为我的项目训练一个神经网络。Keras提供了一个提前停止的函数。我可以知道应该观察哪些参数以避免通过使用提前停止来过拟合我的神经网络吗？
浏览 2提问于2017-05-11得票数 107
回答已采纳
1回答
我正在实施一个深层次的神经网络结构，这是一年前发表的，以与我自己的工作进行比较。发表的神经网络将CNN作为神经网络的组成部分之一。CNN的轮廓可以看到。
总之，一维卷积是由带有2x6输入矩阵的2x6核执行的。作者从上述卷积中提取了32个特征。我已经写信给作者，但还没有收到任何关于如何提取这32个特征的答复。
如果在座的任何人能帮我弄清楚这32个输出特性是如何产生的，我将非常感激。
非常感谢。
浏览 2提问于2022-07-02得票数 -1
回答已采纳
2回答
列车与试验误差的关系
、、、、
我有一些特别的问题，我无法从书本中得到答案。因此，我在这里寻求帮助，如果可能的话，我将非常感谢一个直观的解释。
一般来说，神经网络有一个偏差/方差权衡，因此我们需要一个正则化。偏高->欠拟合；方差高-过拟合。
为了解决过拟合问题，我们采用正则化方法对权值进行对比。这是一个超参数，并应在培训期间学习，根据我的理解使用交叉验证。因此，数据集被分割成一个训练、验证和测试集。测试集是独立的，在学习过程中模型是看不到的，但是我们有可用的标签。基于该测试集，我们通常会报告假阳性、混淆矩阵、错误分类等统计数据。
( Q1)这种偏差/方差问题是否也出现在其他算法中，如支持向量机、最小方差分析等？
在卷积
浏览 0提问于2018-10-04得票数 0
回答已采纳
1回答
在卷积神经网络(CNN)中，选择了一种滤波器进行权值分担。例如，在下面的图片中，选择了一个具有步长(相邻神经元之间的距离)1的3x3窗口。
因此，我的问题是：如何选择窗口大小？，如果我使用4x4的步幅为2，会造成多大的差异？提前谢谢！
浏览 3提问于2017-10-31得票数 8
回答已采纳
我试图在keras中使用Conv1D和双向LSTM来进行信号处理，但是对每个时间步骤进行多类分类。
问题是，尽管Conv1D和LSTM使用的形状在某种程度上是等价的：
Conv1D：(批处理，长度，通道)
LSTM：(批处理，timeSteps，特性)
Conv1D的输出为= (length - (kernel_size - 1)/strides)，因此不再匹配LSTM形状，即使不使用MaxPooling1D和Dropout。
更确切地说，我的训练集X有n个有1000个时间步长和一个通道的样本(n_samples，1000，1)，我使用了LabelEncoder和OneHotEncod
浏览 3提问于2017-12-01得票数 1
回答已采纳
我想要拟合荧光寿命曲线。这些曲线由仪器响应函数(IRF，假设为高斯)和(多)指数衰减的卷积给出：
其中G是高斯和F指数衰减。我已经尝试使用lmfit.minimize在python中使用以下函数对其进行拟合：
def gaus(t, gamp, gwidth, gtoff):
i = gamp*math.exp(-(t-gtoff)**2/gwidth)
return i
def exp1(t, expamp, exptime, exptoff):
i = expamp*math.exp((t-exptoff)/(exptime))
return
浏览 5提问于2013-05-10得票数 4
我正在阅读Krizhevsky等人的基于深度卷积神经网络的ImageNet分类论文，并在Intro段落中看到了以下几条线：
它们(卷积神经网络)的容量可以通过改变它们的深度和宽度来控制，它们还对图像的性质(即统计量的平稳性和像素相依的局部性)作出了很强且大多数是正确的假设。因此，与具有类似尺寸层的标准前馈神经网络相比，CNN的连接和参数要少得多，因此它们更易于训练，而理论上最好的性能可能只是稍微差一些。
什么是“统计的平稳性”和“像素依赖性的局部性”？另外，CNN理论上最好的表现仅仅比前馈神经网络差一些，这有什么根据呢？
浏览 0提问于2019-07-30得票数 0
回答已采纳
1回答
我正在尝试理解2D卷积神经网络和2D深度卷积神经网络在计算方面的异同。(我理解这些概念)。
例如，假设有一个3x3的输入图像，具有3个通道(RGB)，填充为1，步长为1。滤波器为2x2。
输出是什么？(可以忽略激活和偏差)
我知道普通的conv2D会有13x3的输出，而dw conv2D会有3。除此之外，我有点困惑。谢谢
浏览 0提问于2019-06-10得票数 4
2回答
神经网络训练误差的拟合
、、、、
我试图将神经网络的训练误差曲线拟合为训练迭代次数的函数。下面的图片用红色显示了一个例子。在这里，我训练了3000次迭代。我感兴趣的是，我是否能够找到一个函数，可以在最初的1000次(左右)迭代中，以某种合理的精度外推到3000次迭代。
但是，我不知道哪种功能形式最适合我使用。首先，我尝试了f(x)=A+B_exp(-C_x)形式的指数，它用蓝色表示。显然这不太好用。指数消失得太快了，然后基本上就变成了常数。
也许这是很困难的，因为训练的开始显示了错误的急剧下降，但是后来又转向了更渐进的更高的迭代。但是，有神经网络训练经验和/或拟合未知函数的经验的人可能会有一些想法。我一直在尝试各种指数型和多项
浏览 4提问于2013-12-14得票数 1
我有一个问题，我不确定这是不是一个聪明的问题。但是我读了很多关于卷积神经网络的书。到目前为止，我了解到输出层可以是例如用于分类问题的softmax层，或者您可以进行回归以获得量化的值。但我想知道是否有可能推断出不止一个参数。例如，如果我有一个数据，我的输出标签是房子的价格和房子的大小。我知道这不是一个聪明的例子。但我只想知道，在卷积神经网络的同一输出层中，是否有可能预测两个不同的输出值。或者我需要两个不同的卷积神经网络，一个预测房子的大小，另一个预测房子的价格。那么我们如何将这两个预测结合起来呢？如果我们可以在一个卷积神经网络中做到这一点，那么我们如何做到呢？
浏览 1提问于2018-11-14得票数 0
2回答
我读过关于时间延迟神经网络(TDNN)的文章，我不确定我是否理解它。据我所知，tdnn的工作原理就像一维卷积神经网络(CNN)。
如果这些体系结构存在的话，它们之间有什么区别？
浏览 0提问于2021-01-20得票数 1
回答已采纳
1回答
卷积神经网络？
、、、
我正在做一个“情绪检测”的项目。
作为制作完整产品的第一步，我们从图像处理开始。我从互联网上了解到，卷积神经网络是最好的方法。
import cv2
import numpy as np
def sum_cnn(image,x,y):
x1,y1=np.shape(image)
temp=image
for i in range(0,x1-x):
for j in range(0,y1-y):
temp1=np.sum(image[i:i+x,j:j+y])/(x*y)
if temp1 in range
浏览 4提问于2015-07-22得票数 1
1回答
我很抱歉，如果这个问题对你们来说非常明显或者非常基础，我只是一个高中生，试图理解神经网络。嘿，我已经研究了很多关于图像分类的问题，我在解释Inception-v3模型时遇到了这个问题：
我不习惯这些类型的插图，有人可以通过每个矩形的含义，以及为什么模型没有看起来像典型的神经网络插图的层，具有不同的层，例如：
浏览 0提问于2018-07-24得票数 3
4回答
现在我正在学习卷积神经网络。
为什么CNN必须有固定的输入大小？
我知道可以克服这个问题(用完全卷积的神经网络等)，而且我也知道，这是由于在网络的末尾放置了完全连接的层。
但是为什么呢？我无法理解完全连接层的存在意味着什么，以及为什么我们被迫有一个固定的输入大小。
浏览 0提问于2019-11-30得票数 9
回答已采纳
2回答
我看到，当使用Theano的conv2d函数时，过滤器是垂直和水平翻转的。为什么会这样呢？在卷积神经网络的情况下，这是否重要？
浏览 0提问于2020-02-17得票数 1
回答已采纳
1回答
我读了一篇关于深度学习的文章，偶然发现了这个术语，叫做多尺度神经网络。我完全理解卷积神经网络的概念，但它的多尺度部分的理解有点困难。有人能帮帮我吗？提前感谢！
浏览 0提问于2021-11-05得票数 0
1回答
我在考虑一个玩具项目，它使用神经网络来识别物体。我的一些对象是非常相似的，当从一个特定的角度来看，但很容易区分时，从一个不同的角度。因此，我的问题是：
将同一对象的多个图像传送到网络中的方法是什么？或者哪种网络体系结构可以利用不同角度拍摄的多幅图像？
我对机器学习技术有很好的理解，但只对神经网络有基本的理解。所以我在这里寻找的是与谷歌搜索相关的方法、技术和其他术语的名称，以及可能感兴趣的特定论文或文章的链接。
浏览 4提问于2017-05-24得票数 4
回答已采纳
我对卷积神经网络如何通过其卷积运算学习的理论感兴趣。我认为它学习了(有用的)核，它测量其输入信号之间的相关性。此外，从技术角度看，卷积运算是作为“互相关”来实现的。所以我的假设是对的吗？
浏览 0提问于2021-02-16得票数 3
1回答
我目前正在调查报纸美国有线电视新闻网:傅里叶卷积神经网络。本文的主要贡献是CNN训练完全转移到傅里叶域，而不失去有效性。拟议的架构如下：
📷
提交人说，实施是用keras进行的，但并不公开。我知道我可以用以下方式定义傅里叶变换：
model.add(layers.Lambda(lambda v: tf.real(tf.spectral.rfft(v))))
但这不是傅里叶卷积，对吧？从这里我该怎么走？
浏览 0提问于2018-12-18得票数 8
回答已采纳
对人工智能知之甚少，只是对最终可能导致人工智能与人类大脑的能力相当并有可能超过人脑的能力的说法感到有点困惑。
那么，记忆电阻(硬件)和神经网络节点(软件)有什么不同呢？
这两者很可能是完全不相关的，但鉴于我的理解是神经网络是用来模拟“生物神经网络”的，在我看来，忆阻器只是由神经网络模拟的生物版本的silco版本。
我问的原因是，如果它们在概念上非常接近或相同(意味着它们只是在实现上不同)，人们不知道如何才能声称记忆电阻将缩小人工智能的差距。
浏览 2提问于2010-12-05得票数 1
回答已采纳
8回答
我对神经网络这个话题很陌生。我遇到了两个术语--卷积神经网络和递归神经网络。
我想知道这两个术语是否是指同一事物，或者，如果不是，它们之间会有什么区别呢？
浏览 6提问于2014-01-04得票数 67
4回答
我读了一篇关于卷积神经网络的文章，我发现了一些我不明白的东西，那就是：
过滤器必须有与输入图像相同的通道数，这样才能进行按元素方向的乘法。
现在，我不明白的是:什么是卷积神经网络中的通道？我试着寻找答案，但还不明白是什么。
有人能给我解释一下吗？
提前谢谢。
浏览 0提问于2019-12-05得票数 22
回答已采纳
1回答
我很难在网上找到关于如何在卷积神经网络中使用偏差进行反向传播的资源。我所说的偏差是指通过卷积得到的每个数字相加的数字。 Here is a picture further explaining 我知道如何计算滤波器权重的梯度，但我不确定如何处理偏差。现在，我只是根据该层的平均误差来调整它。这是正确的吗？
浏览 57提问于2019-09-21得票数 0
回答已采纳
3回答
我正在学习吴家祥关于卷积神经网络的讲座，他给出了CNN比非卷积神经网络参数少的两个原因。它们是：
参数共享
缺乏联系。
虽然我能理解第一个原因导致CNN的参数更少。我不明白为什么连接的稀薄性，即“一个层中的每个输出来自少量的输入”导致网络具有较少的参数。
第二个原因是不是有点多余？
谁能解释一下吗？
浏览 0提问于2020-07-09得票数 2
1回答
在卷积神经网络中使用卷积和互相关运算的直觉是什么？我有兴趣将数字图像处理的理论结合起来，其中定义了这些2x操作，以及CNN。有人能帮我把这些点联系起来吗？
浏览 0提问于2018-10-31得票数 7
回答已采纳
2回答
卷积神经网络
、、、
这种对卷积神经网络的直观理解是否正确: 1.卷积基本上匹配图像的局部部分与卷积核/滤波器的相似程度。2.核/滤波器就像一个特征检测器。重要的是，它是学习的，并通过SGD自动修改和优化。
浏览 5提问于2016-08-24得票数 1
回答已采纳
我读了很多关于Jetson Nano和Google Coral Devboard的文章，在我读过的大多数文档和论文中，推断和部署都是使用预先构建的卷积神经网络来完成的，例如AlexNet，Inception，MobileNet和其他用于图像分类的神经网络。据我所知，这些微型计算机需要将神经网络转换为tensorflow模型或任何它们接受的框架，以执行模型的推断。 我想知道的是:对于Jetson Nano和Google Coral Devboard，我是否可以拥有与文档中举例说明的卷积神经网络无关的卷积神经网络，并将其部署到这些板上？
浏览 20提问于2020-12-24得票数 1
回答已采纳
1回答
多类神经网络
、、、、
这可能是一个错误的问题，或者是什么东西，所以请随意纠正我:)。
我已经研究神经网络好几周了。我偶然发现了使用神经网络的多类分类模型。
📷
正如我们在这张图中所看到的，模型允许您将输入分类为不同的类。但这也假设您的输入总是使用相同的数字特性，对吗？这意味着，如果我想识别手写数字，我应该有相同维数的图像(例如24x24)，这样我就可以使用相同数量的特性(在本例中是24x24=576)。但是，如果一个类，例如6号，需要不同数量的特征(比如手写数字6的尺寸是30×30像素)，该怎么办？
我知道这样做的逻辑方法是有两个不同的神经网络，但有没有办法同时训练一个多类别的分类模型，其中输入可能使用不同的特征？
浏览 0提问于2018-10-26得票数 1
回答已采纳
1回答
全卷积变分自编码器
、、、
我想做一个神经网络，它使用黑白图像作为输入，并输出它的彩色版本。在这个过程中，重要的是图像的大小必须保持不变。
通常，这是通过使用完全卷积网络与GAN或AE architecture。现在我决定实现一个VAE版本，但是当我在互联网上查找它时，我发现了潜在空间是线性/密集的版本，这意味着它破坏了整个卷积。
对于这类神经网络，VAE不是一种有效的方法吗？或者有人可以提供解决方案/代码来帮助这种情况？(Pytorch更喜欢)
浏览 0提问于2019-08-17得票数 1
1回答
我很想在这个问题上有一些见解--我试图在文献中找到解释，但我很困惑。因此，我正在构建一个神经网络(使用Keras)来解决回归问题。我有500,000个样本，每个样本有20,000个特征，我正试图预测一个数值输出。想想看，根据房屋、庭院等的一系列数字数据来预测房价。这些特征是按字母顺序排列的，因此它们的相邻特征是相当没有意义的。
当我第一次尝试创建一个神经网络时，如果我提供了所有的2万种功能，它就会遭受严重的过度拟合--手动将它减少到1,000个功能，极大地提高了性能。
我读过大约1x1卷积神经网络用于特征约简，但它都用于图像和2D输入。
所以我建立了一个三层的基本神经网络：
model = S
浏览 1提问于2020-04-23得票数 2
回答已采纳
2回答
我了解了scikit-optimize包，并且我对贝叶斯优化相对来说还是比较新的，我想在我当前的卷积神经网络中使用它。然而，我试图用Bayesian-optimization来寻找卷积神经网络的最佳超参数，但我目前的尝试没有正常工作。
到目前为止，我试图实现这个目的，但我的代码不能正常工作，我不知道我的代码的哪一部分仍然存在问题。有人能告诉我怎么纠正这个问题吗？为了寻找最佳的超参数，在卷积神经网络上使用贝叶斯优化有效率的实现吗？有什么想法吗？
更新
我尝试了GridSearchCV，RandomSearchCV作为我的卷积神经网络，它有很深的层，并且使用GridSearchCV花费了太多的时间
浏览 6提问于2020-08-09得票数 1
回答已采纳
2回答
我使用R中的神经网络包来对我的数据进行神经网络分类器的拟合。
net <- neuralnet(Y1+Y2+Y3~X1+X2+X3, binary.data, hidden=45,
rep=10, err.fct="ce", linear.output=FALSE)
现在我的问题是，我的binary.data框架有300个特征向量和10个输出类。因此，如果我在神经网络分类器中手动将这些目标和特征添加到我的公式中，那将是非常乏味的。
此外，在对数据进行拟合之后，培训后的权重将在哪里？
由于我用45个隐神经元、300个特征和10个类来拟合神经网络，所以我需要两个权重矩阵，一个
浏览 6提问于2016-05-19得票数 1
回答已采纳
2回答
新图像尺寸的传递学习
、、、
转移学习:将经过训练的神经网络用于新的分类任务。
当我们想要用卷积神经网络进行传递学习时，我们不需要使用与训练所用的图像大小相同的图像大小。但如果我们改变输入的大小，我们将不得不重新训练完全连接的层。见这篇文章是关于堆栈溢出的。
我不明白为什么改变输入形状不会影响卷积层的重量和为什么它会影响完全连接的层权重。
如果我的问题听不懂，请告诉我。
浏览 0提问于2019-08-16得票数 1
回答已采纳
1回答
我刚刚意识到，我的MNIST数字分类器(一种卷积神经网络)在我自己的手绘数字上发生了巨大的故障，准确率仅为55% (黑白图像上的准确率为50%，黑白图像上的准确率为60% )。
这个结果让我相当惊讶，因为工业字符识别软件对于全新的字符非常准确。
我能在网上找到的唯一解释是过度拟合，这似乎不太可能，因为我的模型有98.4%的测试准确率。另一种解释是，MNIST数据集并不像人们所希望的那样普遍/具有较低的维度，这似乎是不可能的。转换为灰度也不是问题(见Roshin的答案中的评论)。
有人愿意看看我的模特然后告诉我怎么了吗？对我自己角色的测试是在最后一个填充单元格中进行的。
浏览 4提问于2020-06-12得票数 0
1回答
我的团队一直在研究Caffe的MNIST示例，并且能够在一些神经网络的层(如卷积层)中定位/指定神经元/滤波器的数量，这是一个名为num_output的参数所引用的。但是，池层似乎没有指定它们具有/我们可以调整的输出数量。有没有任何方法来定位这些信息，以便我能够知道在MNIST示例神经网络的每一层中存在多少个神经元？
另外，第一卷积层具有num_output = 20，第二卷积层具有num_output = 50。这层深度的跳跃是如何产生的？我假设这是因为卷积层1和2之间的池层，但我还是不明白池层有多少过滤器。
浏览 2提问于2016-06-08得票数 2
回答已采纳
1回答
在建立人工神经网络时，参数过多。我脑海中想到的一些问题是：
层数
层的类型
每一层的节点数
各层中的激活函数
层序
不同类型的优化器
不同类型的损失函数
配合时的批量
拟合时的年代
许多其他我从未听说过的事情(我想)
唯一的事实是，层数可能是几十个，节点数可能是数千个，这意味着我们最终可能会有数十亿个不同的组合。考虑到上面列表中的所有参数，如何才能知道它们的模型接近最优？
我所研究的案例并不要求我在r2_score方面过于精确。换句话说，如果r2_score是0.85或0.87，就不会有太大的差别。但是问题是，对于给定的数据，我如何知道我是否真的接近r2_score的饱和点，即最优模型将产生一
浏览 0提问于2021-05-15得票数 0
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频
腾讯云开发者
