vgg16_model = tf.keras.applications.vgg16.VGG16() model=顺序() 对于vgg16_model.layer中的层：-1 model.add(layer) model.summary() #去掉最后一层致密层 ? 对于model.layers中的层： layer.trainable=False #for transfer learning i have freeze the layers Mode
浏览 28提问于2021-01-10得票数 0
4回答
我有大约25k张图像，属于14个不同的类别(不同种类的颈线，例如v形颈，圆颈等)。图像主要包含服装的顶部和/或模型的面部。下面是一些示例：
为了做到这一点，我想在VGG16的第一个块(在imagenet上预先训练)之后提取特征，因为前几个块的特征图将捕获物体、线条、形状等。============Trainable params: 3,3
浏览 0提问于2018-02-03得票数 2
根据tensorflow的正式文件：设置layer.trainable = False的意思是冻结该层，即它的内部状态在训练期间不会改变:它的可训练权重不会在fit()或train_on_batch()期间被更新，它的状态更新也不会运行。通常，这并不一定意
浏览 12提问于2020-07-04得票数 3
回答已采纳
我需要对已经经过培训的现有deeplearning4j (DL4J)模型进行更改。网络由一个输入层、一个Graves LSTM和一个RNN输出层组成。我的问题是:是否有可能在LSTM层中添加一个或多个未经训练的神经元，而不必重新构建新的配置模型(我认为这需要再培训)？我想做这样的事情，比如，将一个或多个神经元添加到一个现有的层中，或者将一个完整的层</em
浏览 2提问于2018-05-27得票数 3
回答已采纳
3回答
我使用VGG16预训练模型训练了4种眼病的分类模型。我对机器学习非常陌生，所以我不知道从结果中得出什么。在对9万张图片进行了大约6个小时的训练之后：验证损失一直保持在1-2之间(准确性确实提高到85%) (我意外地重新运行了单元格，无法看到输出)
在查看了混淆矩阵之后，我的测试似乎表现不佳。我还保存
浏览 1提问于2020-08-10得票数 0
回答已采纳
我正在尝试使用来自keras的VGG16来训练图像检测的模型。因此，我想知道，下面的代码做错了什么吗？np.math.ceil(len(x_train) / batch_size))
input_tensor =
浏览 4提问于2021-01-26得票数 0
回答已采纳
我有一个简单的多层感知器，只有一个隐藏层，在隐藏层和输出层都有tanh激活。作为作业的一部分，我创建了一个包含1000个示例的数据集。我使用前80%的数据集来训练MLP，并在最后20%的数据集上每1000个时期测试一次，直到50000个时期。使用MSE损失函数，训练和测试损失总是相对相似的，但在50,000个训练周期期间不会减少太多，并且会上下跳跃相当多。训练和测
浏览 1提问于2018-04-29得票数 0
7回答
目前，我正试图在VGG-16模型上训练一个数据集。问题是，准确性没有太大的变化，但它并没有坚持一个固定的准确性。图中的情节如下。有什么建议吗？我遵循了几个指南来解决这个问题，这个问题是关于卡住的准确性，但它们不起作用。200年代具有Imagenet权值的50个历元代码
该模型的输入大小为224x224x3的600幅图像。此外，两个标签狗和猫
浏览 0提问于2019-05-19得票数 5
我对CNN非常陌生，我有一个二进制分类问题，产生了50%的验证精度。我尝试过创建自己的模型，并实现了VGG16，所有这些都使验证的准确率达到了50%左右。import warningsfrom tensor
浏览 5提问于2020-08-12得票数 0
2回答
我最近遇到了“可学习参数”这个术语，谷歌搜索并没有多大帮助，因为大多数搜索都是在CNN而不是DNN中描述可学习的参数。这两者有什么区别吗？
如何计算DNN中可学习参数的数量？我是机器学习的新手，所以我希望能在这方面提供一些帮助。
浏览 0提问于2019-03-23得票数 1
以Tensorflow的自定义对象分类API w/ SSD MobileNet V2 FPNLite 320x320为基础，我能够训练我的模型使用训练数据1(约200幅图像)成功地检测A和B类。这在测试集1上执行得很好，它只有A类和B类的图像。
我想在模型中添加几个类，所以我构建了一个单独的数据集，训练数据2(大约300张图像)。该数据集包含B类和新的C类、D类和E类的标记数据，但是它不包
浏览 3提问于2021-04-08得票数 0
在训练期间，模型返回nan作为损失(可能意味着导致溢出的巨大损失)。由于合成数据的函数形式并不过于复杂，数据点与参数的比率乍一看也不可怕，至少我想知道问题出在哪里，以及如何纠正它。代码如下--附带一些可能有用的图片：
mo
浏览 4提问于2020-11-23得票数 0
2回答
我知道，如果您的模型太大或者数据太稀疏，那么您的模型可能会开始记忆数据，并且在新数据上表现不佳。但是，在哪些情况下，添加退出、正则化等会提高验证集的准确性？例如，如果我的训练acc为95%，val的准确率为70%，那么排除过度是否只会使训练精度降低到val的准确度？还是有办法真正提高训练的准确性？我想会有一些直觉，但这将是非常感谢！
浏览 0提问于2019-05-17得票数 1
回答已采纳
我正在观察我的word2vec模型，学习上下文中最相似的单词，而不是类似上下文中的单词。我不明白为什么它(通常是word2vec，特别是我的模型)能够这样做，并想知道原因。我在keras中实现了最初的word2vec。我选择了带有点积层的变体，而不是层次化的softmax，并在维基百科转储中训练了模型，我把它分成5克。对于每个单词，我用一个二进制目标标签构造8对作为训练</
浏览 0提问于2018-12-07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。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<
浏览 0提问于2019-08-16得票数 1
回答已采纳
3回答
我有一个这样的SimpleRNN：model.add(Dense(1, activation="linear"))simple_rnn_1 (SimpleRNN) (None, 10) 120
我对simple_rnn_1的参数号120很好奇。有人能回答我的问题吗？
浏览 2提问于2018-05-02得票数 8
对像素级语义分割的完全卷积神经网络(FCNs)的训练是非常内存密集型的。因此，我们经常使用batchsize=1来培训FCNs。然而，当我们用BatchNorm ( BN )层完成预先训练的网络时，batchsize=1对BN层没有意义。那么，如何处理BN层呢？一些备选方案：
删除BN层(将BN层与前面的层合并，用于预先训练的模型</
浏览 11提问于2017-06-19得票数 3
TL；博士，我的模型是为一个时代而训练的-为了测试目的。然而，当我对evaluate_generator方法进行多次评估时，每次运行相同的训练数据时，都会得到不同的精度。为什么会发生这种情况，在对同一模型的相同训练数据进行多次评估时，是否有办法获得相同的准确率？
我正在研究对话行为分类的语言问题，我的模型是基于论文的。作为参考
浏览 2提问于2019-04-17得票数 1
回答已采纳
2回答
我试图在Keras中建立一个模型，从图片中进行数值预测。我的模型有densenet121卷积基，顶部有几个额外的层。除了最后两个层之外，所有层都设置为layer.trainable = False。在培训期间，我得到了loss: ~3，而对同一批数据的评估给出了loss: ~30
1/1 32/32 =====
浏览 0提问于2018-07-01得票数 10
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
腾讯会议
云直播
对象存储活动推荐
腾讯云开发者
