在我自己训练的Keras模型中预测我的图像时出现问题
可能有多种原因。以下是一些可能的原因和解决方案：
- 数据质量问题：首先，需要确保训练和测试图像的质量良好，没有噪声或失真。如果数据质量差，可能会影响模型的预测准确性。建议使用清晰、高质量的图像进行训练和测试。
- 模型欠拟合或过拟合：欠拟合指模型无法捕捉到数据中的模式和关联性，而过拟合指模型过度适应训练数据，无法泛化到新的图像。可以通过增加模型的复杂度、增加训练数据、使用正则化技术（如dropout）来解决欠拟合和过拟合问题。
- 参数调整问题：模型中的参数可能需要进行调整才能更好地适应特定的图像数据集。例如，学习率的选择、优化器的选择、损失函数的选择等。可以尝试使用不同的参数组合来优化模型的预测性能。
- 数据集不平衡：如果训练数据集中的某些类别样本数量过少或过多，可能会导致模型在预测时偏向于数量较多的类别。建议使用平衡的数据集或采取相应的数据处理技术（如过采样或欠采样）来解决数据集不平衡问题。
- 输入数据预处理问题：图像预测之前，通常需要对输入数据进行预处理，如图像大小调整、归一化、标准化等。确保在预测之前正确地对输入图像进行预处理。
- 硬件资源限制：如果图像过大或模型过于复杂，可能会导致预测时的内存或计算资源不足。可以尝试减小图像尺寸、使用更轻量级的模型或增加硬件资源来解决此问题。
对于以上问题，腾讯云提供了一些相关产品和解决方案：
- 数据集处理和预处理：腾讯云数据集处理服务（https://cloud.tencent.com/product/dsps）可以帮助您更好地处理和准备数据集。
- 深度学习框架和模型训练：腾讯云AI Lab（https://cloud.tencent.com/product/ailab）提供了一站式的人工智能开发平台，支持使用Keras等深度学习框架进行模型训练。
- 弹性计算资源：腾讯云云服务器（https://cloud.tencent.com/product/cvm）提供了高性能、弹性可扩展的计算资源，可满足模型训练和推理的需求。
请注意，以上提到的产品和链接仅作为示例，并不代表腾讯云的推荐或推广。具体选择产品和方案时，请根据实际需求和情况进行评估和决策。
相关·内容
TensorFlow2.3引入了新的预处理层，如tf.keras.layers.experimental.preprocessing.Resizing。
然而，使用Keras在图像上进行训练的典型流程是使用tf.keras.preprocessing.image.ImageDataGenerator，它只能接受固定的target_size参数。据我所知，根本原因是keras在后台以numpy数组的形式处理图像，其中所有图像的大小必须相同(这是真的吗？)。
虽然我可以使用具有大小调整层的模型，该模型经过固定大小的训练，然后预测任意大小的图像，但这似乎是有风险的，因为训练数据和推理数据将具有系统差
浏览 0提问于2020-11-20得票数 0
我已经使用keras训练了一个图像分类模型，它的训练acc为98%，验证acc为98%，测试acc为90%，但在新输入图像上的表现非常差。我不知道为什么？？
浏览 0提问于2020-08-17得票数 0
1回答
我目前在PyCharm上使用TensorFlow和KERAS。每次我想要使用一个模型时，我必须再次运行训练数据，然后在相同的脚本中运行测试数据。我如何运行训练数据一次，然后我可以继续我想要的时候，通过模型运行测试数据，它仍然可以工作。即。开发一个识别图像的模型，当我想要识别图像时，我将如何运行程序，而不是必须运行训练数据，然后在同一脚本中识别图像。
浏览 19提问于2020-11-05得票数 0
1回答
CNN训练模型未正确保存
、、、、
我是一个使用tensorflow的新手，我建立了一个CNN，它经过训练和测试，准确率都达到了80-85%。我尝试使用model.save('example.h5')保存经过训练的模型，并使用files.download('example.h5')下载文件 之后，我尝试使用model = tf.keras.models.load_model('example.h5')将其加载到我的flask后端。 当我尝试对随机图像使用它时，感觉该模型以前从未训练过。有什么解决方案吗？谢谢
浏览 13提问于2020-06-19得票数 0
在使用Keras完成模型训练后，我正在尝试使用Keras的model.predict()，以便在新的输入上测试模型。 当我训练模型时，我用Scikit Learn的MinMaxScaler()对我的训练数据进行了标准化。 在使用model.predict()时，我是否也需要对数据进行标准化？如果是这样，我该怎么做呢？
浏览 69提问于2021-06-25得票数 0
回答已采纳
背景
我发现了相当多的代码示例，人们要么使用rescale=1./255预处理图像数据，要么使用preprocessing_function将其设置为他们在ImageDataGenerator中使用的相应模型的preprocess_input。
虽然keras-blog ()使用这种方法...
ImageDataGenerator(rescale=1./255, ...
..。Keras文档()使用这种方法：
from keras.applications.vgg19 import preprocess_input
ImageDataGenerator(preprocessing_functi
浏览 3提问于2019-02-15得票数 8
2回答
这是我的模型：
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(40, 40, 3)),
tf.keras.layers.Dense(150, activation='relu'),
tf.keras.layers.Dropout(0.2),
tf.keras.layers.Dense(10)
])
我的输入张量叫做image_batch。当我运行np.shape(image_batch[0])时，结果是TensorShape([40, 40, 3])。这是预期的
浏览 10提问于2020-02-20得票数 0
回答已采纳
我正在尝试使用基于Keras 2的incepctionV3训练模型来预测用于测试的图像。我最初的模型运行良好，然后尝试用指定的input_shape (299,299,3)创建一个模型。
base_model = InceptionV3(weights='imagenet', include_top=False, input_shape=(299,299,3))
训练过程看起来很好，但是当我试图用它来预测图像时，它会导致这个错误。
ValueError:当检查时出错:期望input_1具有形状(无，299,299，3)，但得到了形状数组(1,229,229，3)
浏览 0提问于2017-08-11得票数 0
回答已采纳
2回答
我有一个经过预先训练的角膜模型pspnet50_ad20k，并希望从它得到一个分割的图像。输入是形状为numpy数组中的图像(1,473,473，3)，它返回一个形状的数组(1,473,473,150)，因为该模型预测的有150个不同的类。
import os
os.environ['KERAS_BACKEND'] = "tensorflow"
from keras.models import model_from_json
json_file = open('/data/pspnet50_ade20k.json', 'r')
浏览 1提问于2019-10-06得票数 0
回答已采纳
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
我一直在尝试用keras创建一个keras，我很好地理解了训练的部分，但我不知道预测的部分。
那么，让我们想象一下，我们有10000个时间序列数据点。我们使用9000在前面的训练，而其他1000用于测试。因此，当我们开始训练时，我们将窗口长度设置为2，并将输入(X)设为第一个数据点，将输出(y)设置为第二个数据点时，将窗口向前滑动。
当我们训练的时候，模型因为它有状态的性质而会聚在一起。最后我们完成训练。
现在，我们只剩下一个模型和一些测试数据。问题从这里开始。我们测试第一个数据池。
它返回一个猜测的值。好的。
我们测试测试集的第二个数据点。
我们得到了输出。但问题是，因为我
浏览 2提问于2021-02-02得票数 3
回答已采纳
1回答
我正在用Keras和tensorflow后端构建一个CNN模型。我已经训练这个模特6个小时了。现在，我想使用我的模型来预测我的自定义外部图像。在Keras怎么做？谢谢
浏览 4提问于2016-11-02得票数 6
回答已采纳
2回答
我目前正在训练一个Keras模型，用于分类(20个类)，文本分类问题。
当我用训练和验证集训练模型时，我得到了如下的输出：
纪元19/20 59500/59500 ============================== -22 s 371 20/步进损失: 0.0038 -精度: 0.9989 - val_loss: 0.6645 - val_accuracy: 0.9550
显示出很好的验证准确性。之后，当我调用我的模型来评估分数(在相同的验证集上)时，我得到：
from sklearn.metrics import accuracy_score
predictions = clas
浏览 4提问于2019-10-24得票数 0
回答已采纳
import tensorflow as tf
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape = (28,28)),
tf.keras.layers.Dense(128, activation = 'relu'),
tf.keras.layers.Dropout(0.2),
tf.keras.layers.Dense(10)
])
这是模型的代码，我使用mnist数据集对其进行了训练。我想要做的是将一个28x28的png图像传递给predict(
浏览 0提问于2020-05-09得票数 2
2回答
我试图运行一个人群估计模型，根据图像中有多少人，将图像分为三个不同的大类。1200幅图像用于训练，其中20%用于验证。我使用作为参考，将图像数据加载到模型中；将图像作为压缩文件加载，提取图像，并根据它们所在的文件夹对它们进行分类。
我的问题是，每当我试图训练模型时，我注意到损失和验证损失总是为0，这导致模型没有经过精确的训练，验证的准确性在整个过程中保持不变，如所示。我怎样才能让损失真正改变呢？在执行方面，我是否做错了什么？
到目前为止，我尝试的是：
我试图添加第三个卷积层，但没有什么效果。
我还尝试将最后一个密集层更改为model.add(稠密( 3) )，但我发现一个错误，即“形状
浏览 5提问于2021-05-13得票数 0
回答已采纳
1回答
因此，这可能是一个愚蠢的问题，但在keras中的预处理层是如何工作的，特别是在作为模型本身的一部分的上下文中。将此结果与模型外的预处理进行比较，然后输入结果进行训练。
我正在努力理解在keras模型中运行数据增强。让我说我有1000张图像供训练。在模型之外，我可以应用增强10倍，并得到10000的结果图像进行训练。
但我不明白当你使用预处理层进行增强时会发生什么。这个层(或者这些层，如果您使用了很多)是否在培训前对每个图像进行处理并应用这些转换？这是否意味着用于培训(和验证)的图像总数是历代的数量*原始图像的数量？
一种选择比另一种好吗？这是否取决于增强前的图像数量？
浏览 2提问于2022-08-24得票数 0
我已经在TPU上训练了我的模型，结果似乎很适合测试。Dataset有5个类，结果显示：
accuracy: 0.9867 - sparse_categorical_accuracy: 0.9867 - loss: 0.0412 - val_accuracy: 0.9859 - val_sparse_categorical_accuracy: 0.9859 - val_loss: 0.0564 - lr: 1.8013e-07
我将模型保存为.h5文件，如所述
我使用TPU_model.h5加载reconstructed_model = keras.models.load_model("
浏览 0提问于2021-01-16得票数 2
我已经训练了一个基于Keras的自动编码器模型，输入层如下： depth = 1
width = height = 100
input_shape = (height, width, depth)
inputs = Input(shape=input_shape)
# rest of network definition ... 我的训练图像的宽度和高度是100像素的灰度，因此深度为1。现在我想在另一个脚本中加载我的训练模型，在那里加载图像，调整大小并将其发送到Keras模型： size = 100
image = cv2.imread(args.image, cv2.IMREAD_GRAY
浏览 30提问于2021-04-02得票数 1
回答已采纳
我用Keras训练了一个图像分类器，最后用代码保存了模型。
model.save('model1.h5')
现在，当我试图用这个模型预测另一个图像时，我使用的是代码
from keras.models import load_model
from keras.preprocessing import image
import numpy as np
# dimensions of our images
img_width, img_height = 231, 172
# load the model we saved
model = load_model('mode
浏览 8提问于2017-07-12得票数 1
1回答
我在tf.keras中训练了一个基于tf.keras的图像分割模型，该模型可以预测一个对象是否在给定的图像中，在给定的图像中的位置。我训练输入形状为(None, 256, 256, 1)，输出(None, 256, 256, 3)形状预测。
我现在想预测更大的图像。(520, 696))，并希望使用相同的模型。我知道可以将模型的输入形状更改为(None, None, None, 1)大小。然而，现在它仍然只能预测正方形图像-对于上面提到的图像，它返回一个形状不匹配的Dimensionality Error (520 != 696)。
有没有人知道如何避免这一点，或有一个工作功能，以缝合在一起较
浏览 1提问于2019-10-31得票数 1
我有一个经过训练的图像分类模型。该模型基于Keras附带的Xception模型，它期望输入图像大小为299x299像素。因此，我调整了我的图像的大小，然后再将它们输入我的模型。
然而，在调用model.predict(img)时，我确实得到了以下错误：
ValueError: Input 0 is incompatible with layer model:expected shape=(None, 299, 299, 3), found shape=(None, 299, 3)
但是，当我在调试器中调用img时检查predict()时，可以看到以下内容：
shape:(299, 299, 3
浏览 3提问于2021-05-21得票数 1
回答已采纳
1回答
如何改进数字预测？
、、、、
我有一些数字分类模型，在测试数据上它工作得很好，但当我想对其他图像进行分类时，我遇到了问题，我的模型不能准确地预测它是什么数字。请帮我提高model.predict()的性能。 我试着用很多方法训练我的模型，在下面的代码中有一个创建分类模型的函数，我实际上用很多方法训练了这个模型，1K def load_data():
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data()
train_images = tf.keras.utils.nor
浏览 22提问于2019-06-10得票数 0
回答已采纳
3回答
背景
我想使用“盗梦空间-Resnet_v2”中的keras来预测病理图像。我已经训练了模型并得到了一个.hdf5文件。因为病理图像非常大(例如: 20,000 x 20,000像素)，所以我必须扫描图像以获得用于预测的小块。
我想使用python2.7使用多处理库加速预测过程。其主要思想是使用不同的子进程扫描不同的行，然后发送补丁到模型。
我看到有人建议在子进程中导入keras并加载模型。但我不认为它适合我的任务。使用keras.models.load_model()一次加载模型大约需要47s，这是非常耗时的。因此，每次启动新的子进程时，我都不能重新加载模型。
问题
我的问题是，我能否在我的
浏览 16提问于2017-12-09得票数 6
1回答
我在Tensorflow后端上训练了一个受Inception model启发的keras模型。问题是，对于我测试的不同图像，输出总是相同的。
然而，model.evaluate给了我一个很高的准确率，所以，这个模型似乎是可行的。
你有主意吗？谢谢!
浏览 4提问于2017-05-04得票数 0
我是CNN和机器学习的新手，我一直在努力学习TensorFlow的图像分类教程。
现在，Google可以找到了。我一直在跟踪 of TensorFlow。我稍微修改了一下，所以它将模型保存为h5格式而不是tf格式，这样我就可以使用Keras‘model.predict_classes了。
现在，我已经训练了模型，模型从保存的模型重新加载，好的。但是，每当我试图预测图像时，我就反复得到list index out of range错误，我就是这样做的：
def predict():
image = tf.io.read_file('target.jpeg')
image
浏览 1提问于2019-07-25得票数 2
回答已采纳
1回答
我正在尝试训练CNN来对图像进行3类分类。每个图像可以属于几个类。因此，在网络输出中，我希望每个类都有一个概率。
当我执行数据加载时，我有一个pandas数据帧，其中包含以下列:imageID，class 1，class 2，class 3。图像大小为(256,256,3)，标签为(3,1) (例如:如果图像属于类1，类2标签为1,1,0)
然后，这是我的模型：
print("Define model")
base_model = tf.keras.applications.VGG16(include_top=False, input_shape=(256,256,3),wei
浏览 9提问于2021-05-07得票数 0
1回答
我是keras和Tensorflow的新手。我使用Tensorflow作为后端，在Keras中训练了一个模型，用于减少特定图像的噪声。当我使用这个模型来预测一组测试图像(noise，shape=batchsize_1，width_1，height_1)时，我得到了正确的预测图像(noise removed，shape=batchsize_1，width_1，height_1)，但预测图像的顺序是随机的。由于预测图像的顺序对我的下一步很重要，我如何保持预测图像的顺序与测试图像相同？
以下是我用于加载模型和预测测试数据的代码：
json_file = open('model.json
浏览 3提问于2018-11-04得票数 3
我正在尝试一种用于mnist数据集的CNN模型。经过训练，该模型的model.evaluate测试准确率达到99%。但是，当我试图预测一个图像的答案时，它总是在调用model.predict()时返回相同的数组。
规范数据：
train_images = mnist_train_images.reshape(mnist_train_images.shape[0], 28, 28, 1)
test_images = mnist_test_images.reshape(mnist_test_images.shape[0], 28, 28, 1)
input_shape = (28, 28, 1)
浏览 2提问于2020-07-19得票数 0
回答已采纳
我正在用keras做一个基本的GAN实现。训练是分阶段进行的，首先单独训练鉴别器，然后将生成器作为组合模型(生成器+鉴别器)的一部分进行训练，同时禁用鉴别器的训练。如果鉴别器中有丢失，在我看来，当通过组合模型训练生成器时，它应该被禁用。这是真的吗？如果是这样的话，如何在keras中实现呢？我知道设置trainable=false不会禁用dropout。
浏览 65提问于2020-04-28得票数 3
2回答
我有一个1x2048像素的1D图像作为输入，32个类，我已经定义了一个32个滤镜的层，具有与图像相同的大小(1x2048)，它们是L1正则化的。
我的图像示例是一个热编码的。但是，我的目标是在将这些图像中的一些图像相加并将其提供给训练好的模型时，获得多热点编码输出。
训练进行得很好，它可以单独对每个类别进行分类，但如果我将两个图像相加并将其提供给模型，它只输出一个热编码向量(尽管我希望输出一个热编码向量)。如果我在训练后查看内核，它们是有意义的，因为除了定义我的类的权重之外，大多数权重都是零。
我不明白为什么我得到的是单热矢量输出而不是多热矢量输出。
我没有对图像求和并使用它们来训练模型的原因
浏览 0提问于2018-09-26得票数 0
我正在学习如何在Keras上训练RNN模型，我希望训练一个模型来预测最后N步的移动平均值将非常容易。
我有一个包含数千步的时间序列，我能够创建一个模型，并用批量数据对其进行训练。
但是，如果我用以下模型训练它，测试集预测与真实值有很大不同。(批次= 30，移动平均窗口= 10)
inputs = tf.keras.Input(shape=(batch_length, num_features))
x = tf.keras.layers.LSTM(10, return_sequences=False)(inputs)
outputs = tf.keras.layers.Dense(num_lab
浏览 0提问于2021-01-24得票数 0
4回答
训练模型的准确率高达98%，但混淆矩阵表现出很高的误识率。
我正在使用keras和迁移学习方法在预先训练的VGG16模型上进行多类分类。
问题是使用CNN将图像分类为5种类型的番茄病害。
有5个疾病类别，6970个训练图像和70个测试图像。
训练模型的准确率为98.65%，而测试模型的准确率为94%。
但问题是，当我生成混淆矩阵时，它显示出非常高的误分类。
谁来帮帮我，是我的代码错了还是模型错了？我很困惑我的模型是否给出了正确的结果。
如果有人能解释一下keras是如何使用model.fit_generator函数来计算精度的，因为将精度的一般公式应用于混淆矩阵，并没有给出与keras计算的结
浏览 5提问于2018-12-26得票数 1
我正在做一个涉及神经机器翻译(将英语翻译成法语)的项目。 我已经在网上做了一些例子，现在已经完成了模型。一旦使用Keras训练了模型，我如何在不重新训练整个模型的情况下获得翻译的预测，因为我使用的数据集很大，每个时期都需要一些时间，当然，我不能在每次需要翻译时都训练模型。 那么，在不重新训练整个模型的情况下，对新输入生成预测的正确方法是什么？ 谢谢 ? ?
浏览 21提问于2021-01-28得票数 0
1回答
Keras为我提供了一种将深入学习模型与sklearn(sklearn的keras包装器)结合使用的方法，但我需要类似的东西----与不同。
我想要创建一个由几个已经训练过的滑雪板模型组成的集合，方法是将它们的输出输入到一个深度学习分类器的输入层(待训练)。
我能做到吗？
浏览 0提问于2019-08-15得票数 1
回答已采纳
1回答
我在同一任务上训练了几个模型，我正在尝试将它们组合在一起以获得更好的性能。有没有办法让我用Keras把他们的预测结合起来？假设我有以下模型，在ImageNet上进行了训练。
import tensorflow as tf
vggModel = tf.keras.applications.VGG16(weights='imagenet')
mobileNet = tf.keras.applications.MobileNetV2(weights='imagenet')
如何组合这些模型以提高性能？
浏览 0提问于2021-01-22得票数 0
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
我使用Keras (在TF 2.3之上)来训练图像分类器。在某些情况下，我有两个以上的类，但通常只有两个类(“好”或“坏”)。我使用tensorflow.keras.applications.VGG16类作为基础模型，上面有一个自定义分类器，如下所示：
input_layer = layers.Input(shape=(self.image_size, self.image_size, 3), name="model_input")
base_model = VGG16(weights="imagenet", include_top=False, input_t
浏览 0提问于2020-11-25得票数 0
3回答
部署LSTM模型
、、
我已经训练和验证了我的LSTM，我想部署它。因此，我知道我们可以保存和加载Keras的Sequential对象(您可以猜到，我正在使用Keras )。因此，我使用这些函数实现了一个代码。
但是，我想知道我是否必须用所有可用的数据(训练+测试)来训练我的模型，还是像我在学习期间所做的那样对训练集进行训练。许多教程讨论如何训练模型，但没有那么多的教程清楚地介绍了如何部署模型。
我想知道什么是常见的做法，因为我知道我正在做时间序列预测，这是一个具体的问题。
浏览 0提问于2019-08-06得票数 5
回答已采纳
1回答
培训数据:预测还是实际？
、、、
我正在研究一个时间序列预测问题。我正在使用keras模型进行机器学习。
对于此预测，使用天气变量作为输入。它们可以分为两种类型:预测和实际。我已经获得了这两种类型的数据相当长的时间，我想训练和测试我的模型的数据。我的问题是：
( 1)训练时应否使用预报天气变数或实际天气变数？(考虑到在模型推断时只有预测的天气变量可用)。
2)同样的问题1用于测试。
对上述问题是否有规则或一般做法？如果是，我想知道。
浏览 0提问于2019-04-03得票数 2
我已经训练了CNN对3类图像进行分类。在训练模型时，我使用了keras中的ImageDataGenerator类对图像应用预处理功能并对其进行重新缩放。现在我的网络在测试集上得到了很好的训练，但我不知道如何将预处理功能应用于单图像预测。如果我使用ImageDataGenerator，它会查找目录。建议我一些替代方案，以做预处理功能和重新缩放的单一图像。请参阅下面的代码 训练集： train_datagen = ImageDataGenerator(preprocessing_function = tf.keras.applications.vgg16.preprocess_input,
浏览 46提问于2020-09-02得票数 3
我使用keras model_to_estimator函数训练一个tensorflow模型，然后用训练数据进行训练。这样做很好，然后我可以继续使用测试数据成功地进行预测。
在一个单独的例程中，我希望能够用最新的训练检查点加载预训练的估计器，并做更多的预测(即不进行再训练)。我看过warm_start_from，但在加载keras模型时，这似乎是不可用的。根据的理解，我可以从同一个keras模型创建一个新的估计器，并且我第一次预测它将从我指定的目录加载检查点。
下面的代码片段是我所做的尝试(最终，estimator_model2将加载到一个单独的例程中，这只是为了演示)。
modelConfig
浏览 2提问于2018-06-14得票数 0
回答已采纳
1回答
我在tensorflow网站上读过图像分类教程。
本教程解释了如何将经过训练的模型作为新映像的预测器运行。
有办法在批处理/多个映像上运行此操作吗？守则如下：
sunflower_url = "https://storage.googleapis.com/download.tensorflow.org/example_images/592px-Red_sunflower.jpg"
sunflower_path = tf.keras.utils.get_file('Red_sunflower', origin=sunflower_url)
img = tf.ke
浏览 3提问于2022-02-01得票数 0
训练完成后，我在我的网络上做了预测，我想计算我的模型的“精度”和“召回率”，然后将其发送到"tensorboard“的日志文件中，以显示曲线图。在训练时，我将"tensorboard“函数作为回调发送给keras。但是训练结束后，我不知道如何将更多的数据添加到tensorboard中进行绘制。我使用keras进行编码，使用tensorflow作为其后端。
浏览 5提问于2018-08-24得票数 1
我有一个非常大的数据集，并且正在使用Keras的fit_generator来训练Keras模型(tensorflow后端)。我的数据需要在整个数据集中进行规范化，但是当使用fit_generator时，我可以访问相对较小的数据批，并且这个小批中的数据规范化并不代表对整个数据集中的数据进行规范化。影响相当大(我对其进行了测试，模型的准确性明显降低)。
我的问题是:当使用Keras‘fit_generator时，在整个数据集中标准化数据的正确做法是什么？最后一点:我的数据是文本和数字数据的混合，而不是图像，因此我无法使用Keras提供的图像生成器中的一些功能来解决图像数据的一些问题。
在训练之前，
浏览 0提问于2018-06-04得票数 3
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
我想用CT灰度图像训练一个模型，就像这样：
对于某些类别的疾病，我的训练集是有限的，例如，2,000个阳性和98,000个阴性。
我正在考虑使用迁移学习来避免过度拟合并提高我的模型的有效性，但我也意识到我应该对模型进行微调，因为我向模型提供的图像类型与我将使用的Inception模型训练的图像类型非常不同。
我的问题是，我不确定我应该保留多少层，以及多少层是可训练的。
然后，我想使用跳过连接来应用随机深度，让网络了解真正需要多少层。
因此，我正在考虑实现以下架构。
也就是说，我将在Keras (Tensorflow 2.0)附带的预训练初始模型的各层之间添加跳过连接。
我欢
浏览 1提问于2019-10-07得票数 1
2回答
我想使用sklearn.metrics.confusion_matrix(y_true, y_pred)为keras模型创建一个混淆矩阵。 在训练模型之后，我可以使用predict_generator(generator)来获得对测试数据集的预测，这就给了我y_pred。如何从数据生成器中获得相应的真实标签，y_true？
浏览 48提问于2018-12-28得票数 4
回答已采纳
我做了类似于keras文档中的训练和验证。而是如何测试图像。我知道在scikit-learn中该怎么做。但是我想用keras做。
比方说，我想预测分类类形式的图像。在最后，我还想打印类名，训练精度，测试精度，最后是预测的图像精度(例如，狗: 99.8 %)。
浏览 3提问于2018-03-17得票数 0
1回答
我用我的数据集训练了我的预训练模型(densenet-121)用于二值图像分类。当我使用test_generator时，test_generator的结果看起来很好，但是当我运行我的代码进行预测时，我得到了[0. 1.]的输出，我如何解决这个问题？ from keras.preprocessing.image import load_img
from keras.preprocessing.image import img_to_array
from keras.models import load_model
img =
load_image('C:/Users/yurtt/D
浏览 37提问于2021-09-15得票数 0
回答已采纳
2回答
我见过许多超分辨率网络，它们似乎暗示在输入(x，y，d)上训练网络很好，但随后将任意大小的图像传递到预测模型中，例如在Keras中使用占位符值(None，None,3)指定，并将接受任何大小。
例如，接受24x24x3输入的训练，但接受任意大小的图像来调整大小，演示代码使用124x118x3。
这是个正常的做法吗？当网络输入较大时，是否只需在上面滑动一个窗口，就像它在小尺寸图像上学到的那样，应用相同的权重？
浏览 1提问于2020-01-03得票数 0
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
实时音视频
对象存储
即时通信 IM活动推荐
腾讯云开发者
