如何在Keras中调整Conv1DTranspose层的输入大小？
在Keras中调整Conv1DTranspose层的输入大小可以通过两种方法实现：通过更改输入数据的形状或者通过添加适当的padding。
方法一：更改输入数据的形状 Conv1DTranspose层的输入是一个三维张量，形状为(batch_size, steps, filters)。要调整输入大小，可以使用Keras的Reshape层来改变输入的形状。
例如，如果想将输入的steps从10调整为20，可以在Conv1DTranspose层之前添加一个Reshape层：
from keras.models import Sequential
from keras.layers import Reshape, Conv1DTranspose
model = Sequential()
model.add(Reshape((10, 1), input_shape=(20,))) # 将输入形状从(20,)调整为(10, 1)
model.add(Conv1DTranspose(filters=32, kernel_size=3))在上述示例中，输入数据的形状由Reshape层从(20,)改变为(10, 1)，然后传递给Conv1DTranspose层进行进一步处理。
方法二：添加padding 另一种调整Conv1DTranspose层输入大小的方法是添加适当的padding。通过padding，在输入数据的两侧添加零值来增加或减少步长。
例如，如果想将输入的steps从10调整为20，可以使用Keras的ZeroPadding1D层在输入数据的两侧分别添加5个零值：
from keras.models import Sequential
from keras.layers import ZeroPadding1D, Conv1DTranspose
model = Sequential()
model.add(ZeroPadding1D(padding=(5, 4), input_shape=(10, 1))) # 在两侧分别添加5个零值
model.add(Conv1DTranspose(filters=32, kernel_size=3))在上述示例中，ZeroPadding1D层在输入数据的两侧分别添加了5个零值，将输入的steps从10调整为20，然后传递给Conv1DTranspose层进行进一步处理。
总结：
- 在Keras中调整Conv1DTranspose层的输入大小可以通过更改输入数据的形状或者通过添加适当的padding来实现。
- 使用Reshape层可以更改输入数据的形状，通过设置合适的形状可以调整Conv1DTranspose层的输入大小。
- 使用ZeroPadding1D层可以在输入数据的两侧添加适当的padding，通过设置合适的padding大小可以调整Conv1DTranspose层的输入大小。
更多关于Keras中Conv1DTranspose层的信息和使用方法，请参考腾讯云相关产品文档：
- 腾讯云Keras产品介绍：Keras 产品介绍
- 腾讯云Keras API文档：Keras API文档
相关·内容
1回答
我正在尝试使用以下架构在Google Colab中训练灰度图像上的类UNET模型：
from keras.models import Model
from keras.layers import Input, UpSampling2D
from keras.layers import Dropout
from keras.layers import Conv2D, Conv2DTranspose
from keras.layers import AveragePooling2D
from keras.layers import concatenate
inputs = Input((2048
浏览 9提问于2020-05-13得票数 0
回答已采纳
3回答
我正在为两个使用keras和tensorflow后端的类编写图像分类代码。我的图像存储在计算机的文件夹中，我想将这些图像作为输入输入到我的keras模型中。load_img只接受一个输入图像，所以我必须使用flow(x,y)或flow_from_directory(directory)，但在flow(x,y)中，我们还需要提供标签，这是长度任务，所以我使用flow_from_directory(directory)。我的图片大小可变，比如20*40，55*43……但是提到需要固定的target_size。在解决方案中，我们可以使用input_shape=(1, None, None)或inpu
浏览 0提问于2017-12-13得票数 6
在Keras中，使用Flatten()层保留批处理大小。例如，如果扁平的输入形状为(32, 100, 100)，则平坦的Keras输出为(32, 10000)，而在PyTorch中为320000。为什么会这样呢？
浏览 7提问于2020-02-07得票数 9
回答已采纳
1回答
目前的简单模式：
from tensorflow.keras import Model
from tensorflow.keras.layers import Dense
from tensorflow.keras.layers import Input
from tensorflow.keras.optimizers import Adam
def model():
input_A = Input(shape=(6, ))
out = Dense(64, activation="relu")(input_A)
out = Dense(32, ac
浏览 4提问于2022-09-08得票数 0
我看到tensorflow对象检测API允许用户自定义输入的图像大小。我的问题是如何使用预先训练的权重，这些权重通常是在224*224图像上训练的，有时是300*300图像。
在我使用的其他框架中，比如caffe rfcn、yolo和keras ssd，图像被缩小以适应带有预先训练的权重的标准大小。
300*300大小的tf是否使用预先训练好的权重？如果是这样的话，我们如何使用这些权重来对自定义图像大小进行分类？tf是否缩小到相应的权重大小？
浏览 3提问于2017-09-12得票数 1
我在大多数LSTM代码示例中看到了这个代码概念(使用Keras库)：
model.add(LSTM(X))
model.add(Dense(Y))
但是我真的不知道我是否在输入端有10个时间步骤，并且需要输出的最后一步是以下代码是真的吗？
model.add(LSTM(10))
model.add(Dense(1))
或者，如果我有10个输入时间步骤，并且需要10个输出时间步骤(我的意思是我需要所有单元的所有输出)，下面的代码是正确的吗？
model.add(LSTM(10))
model.add(Dense(10))
我应该如何指定如果我有一个层LSTM与10个单位，我需要所有的10个输出？
浏览 0提问于2019-03-01得票数 1
我正在使用keras调谐器来优化超参数:隐藏层、神经元、激活函数和学习率。我有31个输入，32个输出，N个数据样本的时间序列回归问题。
我的原始X_train形状是(N,31)，Y_train形状是(N,32)。我将其转换为keras形状，并重塑X_train和Y_train，如下所示: X_train.shape：(N,31,1) Y_train.shape：(N,32)。
在上面的代码中，X_train.shape(1)是31，Y_train.shape(1)是32。当我使用超参数调整时，它显示ValueError:层lstm_1的输入0与层不兼容:期望的ndim=3，发现ndi
浏览 8提问于2021-04-25得票数 1
我正在尝试实现用于视频分类的S3D[]，并且遇到了BatchNormalization的问题。
由于我正在处理的实现是视频分类，我需要一个额外的时间维度为我的输入张量。(即批处理、时间、高度、宽度、通道)
这是我的错误情况。
example = np.random.randint(0,255, (16,16,56,56,3))
example_tensor = tf.convert_to_tensor(example, dtype=tf.float32)
print(tf.keras.layers.BatchNormalization(axis=0)(example_tensor))
#p
浏览 16提问于2022-02-14得票数 0
在Francois的“用Python进行深度学习”一书中，我发现了一段输入形状为784，单元为32的代码。
我在想他们会有什么不同。
下面是确切的代码：
from keras import layers
from keras import models
model = models.Sequential()
model.add(layers.Dense(32, input_shape = 784))
model.add(layers.Dense(32))
浏览 3提问于2021-02-08得票数 0
回答已采纳
这是我的密码：
from keras.layers import LSTM, Bidirectional, Dense, Input, Flatten
from keras.models import Model
input = Input(shape=(None, 100))
lstm_out = Bidirectional(LSTM(10, return_sequences=True))(input)
something = Flatten()(lstm_out)
output = Dense(22, activation='sof
浏览 0提问于2018-10-28得票数 2
回答已采纳
2回答
Keras能处理不同大小的输入图像吗？例如，在完全卷积神经网络中，输入图像可以具有任意大小。但是，当我们通过Keras创建网络时，我们需要指定输入形状。因此，我们如何使用Keras来处理不同的输入大小而不将输入图像调整到相同的大小？谢谢你的帮助。
浏览 4提问于2016-10-02得票数 44
def datagen_train(batch,X_train,y_train):
lx = len(X_train)
for i in range(lx):
xx = []
yy = []
for j in range(batch):
xx.append(resize(imread(X_train[j]),(720,1280,3)))
yy.append(resize(imread(y_train[j]),(720,1280,3)))
xx = np.array(
浏览 3提问于2020-03-21得票数 0
回答已采纳
2回答
所以我的任务是训练一个非常简单的神经网络。我们的数据集有6个输入到网络中的特征，我们需要对其进行训练，然后预测一个输出数字。教授给了我们代码，基本上告诉我们要自学哈哈。所以我的疑问是，在下面的代码中，定义了神经网络的层，定义的第一个密集层(有50个节点)是否对应于输入层，或者它是第一个隐藏层？如果它是第一个隐藏层，输入层是如何定义的？ 提前感谢！ def get_compiled_model():
model = tf.keras.Sequential([
tf.keras.layers.Dense(50, activation=
浏览 55提问于2020-09-29得票数 0
回答已采纳
我在理解构建tensorflow模型和预处理pandas Dataframe时遇到问题。
我一直在遵循这个文档：
第一个问题：
dataset = tf.data.Dataset.from_tensor_slices((df.values, target.values))
train_dataset = dataset.shuffle(len(df)).batch(1)
def get_compiled_model():
model = tf.keras.Sequential([
tf.keras.layers.Dense(10, activation='relu'
浏览 0提问于2020-05-06得票数 1
2回答
我是深度学习的新手，但我想成为一名教授。似乎，如果没有外部指导，很难做到:-)
我正在尝试采用这种方法，这是基于这篇文章的，我的任务卫星图像分割使用联合国教科文组织与Keras。
这是我训练网络的代码
import tensorflow as tf
import os
import random
import numpy as np
from tqdm import tqdm
import cv2
from keras.callbacks import EarlyStopping, ModelCheckpoint, ReduceLROnPlateau
from skimage.io impo
浏览 0提问于2020-04-29得票数 1
我试图使用 CNN 使用FER2013数据集对PyTorch模型进行情感识别，我有以下错误：
Traceback (most recent call last):
File "VGG.py", line 112, in <module>
transfer.keras_to_pytorch(keras_network, pytorch_network)
File "/home/eorg/NeuralNetworks/user/Project/model/nntransfer.py", line 121, in keras_to_pyto
浏览 1提问于2017-11-08得票数 9
我在官方的keras文档中看到了这段代码，并且我已经阅读了需要调整大小/缩放的图像，然后再输入模型。你能告诉我吗？
from tensorflow.keras.applications.inception_v3 import InceptionV3
from tensorflow.keras.layers import Input
# input size
input_tensor = Input(shape=(150, 150, 3))
model = InceptionV3(input_tensor=input_tensor, weights='imagenet', i
浏览 2提问于2021-02-20得票数 0
回答已采纳
3回答
我正在运行一个使用keras的预训练模型的分类和预测神经网络算法。现在我知道keras的输入形状是(224,224,3)，但是我的输入具有这个形状(180, 200, 20)，并且我得到了以下错误：
ValueError: Dimension 0 in both shapes must be equal, but are 3 and 64. Shapes are [3,3,20,64] and [64,3,3,3]. for 'Assign_32' (op: 'Assign') with input shapes: [3,3,20,64], [64,3,3,3]
浏览 0提问于2019-08-20得票数 0
1回答
我有一个执行两个任务的Keras LSTM多任务模型。一个是序列标签任务(所以我预测每个令牌一个标签)。另一种是使用堆叠在LSTM隐藏状态上的CNN对整个序列进行全局分类任务。
在我的设置中(不要问为什么)，我只需要在训练期间使用CNN任务，但它预测的标签对最终产品没有任何用处。因此，在Keras上，可以在不指定输入序列长度的情况下训练LSTM模型。如下所示：
l_input = Input(shape=(None,), dtype="int32", name=input_name)
但是，如果我添加堆叠在LSTM隐藏状态上的CNN，我需要为模型设置固定的序列长度。
l_inp
浏览 1提问于2018-12-01得票数 1
1回答
我正在阅读，它们允许预处理层成为模型的一部分：
model = tf.keras.Sequential([
resize_and_rescale,
data_augmentation,
layers.Conv2D(16, 3, padding="same", activation="relu"),
layers.MaxPooling2D(),
# Rest of your model
])
我想知道在训练期间，是否resize_and_rescale和data_augmentation层中的一个或两个也应用于验证集？
浏览 22提问于2021-03-05得票数 0
我正在遵循tensorflow2 关于使用MobileNetV2作为基本体系结构的精细调优和传输学习。
我注意到的第一件事是，预先训练过的“imagenet”权重的最大输入形状是(224,224，3)。我尝试使用自定义形状(640,640，3)，根据文档，它警告说(224,224，3)形状的重量是加载的。
所以如果我加载这样的网络：
import tensorflow as tf
tf.keras.backend.clear_session()
def create_model():
base_model = tf.keras.applications.MobileNetV2(input
浏览 0提问于2020-12-05得票数 1
回答已采纳
假设我需要构建一个包含两个输入的网络：
featuresSelected治疗数组表示的病人信息，表示为一个热编码数组。
现在，我如何构建一个网络，输出一个2D概率矩阵A，其中Ai，j表示病人在治疗过程中会处于状态j的概率，假设有n个可能的状态，在任何情况下，所有n个状态的总概率总和为1。
我之所以想这样做，是因为我的动机是一个类似的网络，其中的输入与上面的相同，但是输出是一个1d数组，表示治疗完成后的预期生命周期。这种网络的建立方式如下：
def default_dense(feature_shape, n_treatment):
feature_input = keras.layer
浏览 2提问于2020-02-29得票数 0
在预先实现的keras模型(VGG16等)中，我们指定可以改变模型输入的形状，并仍然加载经过预先训练的imagenet权重。
我感到困惑的是，第一层的权重会发生什么呢？如果输入张量有一个不同的形状，那么权值的数量将不同于预先训练的模型，不是吗？
这里是Keras VGG16模型的实现，可供参考。
浏览 0提问于2017-12-04得票数 1
回答已采纳
1回答
基于。我需要一些基本的实现帮助。下面你会看到我的模型使用Dropout层。当使用noise_shape参数时，会发生最后一个批处理不符合批处理大小的情况，从而产生错误(请参阅其他post)。
原型号：
def LSTM_model(X_train,Y_train,dropout,hidden_units,MaskWert,batchsize):
model = Sequential()
model.add(Masking(mask_value=MaskWert, input_shape=(X_train.shape[1],X_train.shape[2]) ))
model.
浏览 0提问于2018-06-15得票数 2
回答已采纳
3回答
import keras.layers as KL
input_image = KL.Input([None, None, 3], name = 'input_image')
x = KL.Conv2D(64, (3,3), padding='same')(input_image)
在Conv之后，我想添加一个稠密的内容如下：
KL.Dense(2)(KL.Flatten()(x))
但是会有一个错误：
ValueError：“平坦”输入的形状没有完全定义(got (无，无，64) )。确保将完整的"input_shape“或"batch_in
浏览 2提问于2018-08-27得票数 1
我在Keras制作了一个CNN模型，并将其保存为“Model.h5”。它的输入形状为128x128。现在，我在一个新的文件中，并试图用这个model.Here进行预测，这是我迄今为止所做的工作：
import keras
from keras.preprocessing.image import load_img, img_to_array
from keras.models import load_model
import PIL
img = load_img("img.jpg")
img = img_to_array(img)
img = img.resize((
浏览 3提问于2020-08-14得票数 4
回答已采纳
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
我发现默认情况下，keras使用Glorot/Xavier初始化权重，这意味着值将介于+- (sqrt(6 / float(F_in + F_out))之间)
但是在我的例子中，我使用了下面的体系结构，ishape = (None，4)：我不使用固定的输入大小。(我输入的数据是一个热编码的DNA序列)
model = keras.Sequential()
model.add(Conv1D(filternumber, b, activation='relu', input_shape=ishape))
model.add(MaxPooling1D(pool_size=a))
mo
浏览 4提问于2021-06-16得票数 1
回答已采纳
1回答
我有一系列的处理音频文件，我使用作为输入到CNN使用Keras。Keras一维卷积层支持可变序列长度吗？Keras文档使这一点变得不清楚。
在文档的顶部，它提到您可以使用(None，128)来处理128维向量的可变长度序列。但是在底部，它声明输入形状必须是
3D tensor with shape: (batch_size, steps, input_dim)
给出了下面的示例，如何将可变长度的序列输入网络
假设我有两个例子(a和b)，其中包含长度为100的X1维向量，我想将它们作为输入输入到1DConv层。
a.shape = (100, 100)
b.shape = (200, 100)
浏览 6提问于2017-11-30得票数 6
回答已采纳
1回答
我想在具有多个输入的Keras模型上执行交叉验证。因此，我尝试了KerasClassifier。这对于只有一个输入的正常序列模型很有效。然而，当使用functional并扩展到两个输入时，sklearn的cross_val_predict似乎不能像预期的那样工作。
def create_model():
input_text = Input(shape=(1,), dtype=tf.string)
embedding = Lambda(UniversalEmbedding, output_shape=(512, ))(input_text)
dense = Dense(
浏览 19提问于2019-11-15得票数 2
回答已采纳
1回答
我是一个python中级和Keras/NN初学者。我以前从教程中实现了Keras模型，并希望尝试从一篇研究论文中实现一个。与Keras模型相比，这个示意图意味着什么？
其中“输入交叉矩阵”是对每一对数字(1-45)一起出现的次数的增量计数，例如(1-2，1-3 )。( 1-45)。
“其他输入”是一个数字(1-45)出现的次数的增量计数。
输出是8宽阵列中存在或不存在一个数字(1-45)的非线性乙状结肠。
谢谢你的帮助。
浏览 4提问于2017-05-26得票数 2
回答已采纳
我的理解是Keras的调整层可以获取不同大小的输入图像，但是我一直无法让它工作。下面的显示了错误：
import tensorflow as tf
import tensorflow_datasets as tfds
from tensorflow.keras import layers
dsTrain = tfds.load('CatsVsDogs', split='train[:10%]', as_supervised=True).batch(128).prefetch(tf.data.AUTOTUNE)
model = tf.keras.models.S
浏览 12提问于2022-09-01得票数 -1
回答已采纳
2回答
正如问题中所提到的，我注意到有时会有带有填充的池层。
更具体地说，我找到了这个Keras教程，其中有一个包含有填充的MaxPooling层的网络。
如果padding=same在卷积层，我们的输出大小(至少高度和宽度，深度可以改变根据滤波器的数目)是相同的输入。
我期望MaxPooling层也是如此，但是Keras model.summary() (如本文所示)显示，池层之后的输出大小是输入的一半。
如果我们仍然得到一个输出，即输入的一半，那么向池层添加填充又有什么意义呢？
浏览 0提问于2020-01-31得票数 3
回答已采纳
1回答
使用素数输入维度的CNN培训问题
、、、、
我目前正在开发一个带有Keras (自动编码器)的CNN模型。这种类型我的输入是形状(47,47,3)，即47x47图像与3 (RGB)层。
过去我曾与一些CNN合作过，但这一次我的输入维数是素数(47像素)。我认为这会导致我的实现出现问题，特别是在我的模型中使用MaxPooling2D和UpSampling2D时。我注意到，当最大池，然后向上采样时，会丢失一些维度。
使用(47,47,3)，我可以看到，在通过带有(2,2)内核的Conv2D(24)和MaxPooling (即24个过滤器和形状的一半)传递(24, 24, 24).输入后，可以得到(24, 24, 24).的输出形状。
现在，
浏览 3提问于2017-10-25得票数 3
回答已采纳
2回答
我正在为图像分类模型使用下面的配置：
model = keras.Sequential([
keras.layers.Flatten(input_shape=(100, 100, 3)),
keras.layers.Dense(128, activation='relu'),
keras.layers.Dense(10)
])
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logi
浏览 1提问于2020-04-27得票数 0
回答已采纳
由于预先训练过的模型是关于具有特定宽度和高度的ImageNet图像的，那么Keras模型(例如ResNet50)如何允许一个不同的input_size？
我也想知道“197”这个神奇数字是从哪里来的：
input_shape:可选的形状元组，只能在include_top为False时指定(否则输入形状必须为(224、224、3) (带有“channels_last”数据格式)或(3,224,224) (带有“channels_first”数据格式)。它应该有准确的3个输入通道，宽度和高度不应小于197。例如(200,200，3)将是一个有效值。
浏览 5提问于2017-11-15得票数 4
2回答
如何才能得到Keras中一个层的单位(即神经元数目)？
例如：
layer = keras.layers.Dense(5)
print(layer.units)
会打印5，但是
layer = keras.layers.InputLayer(5)
print(layer.units)
会抛出一个错误。
是否有一种通用的方法来获取Keras层的单位计数？
浏览 3提问于2020-08-05得票数 1
回答已采纳
1回答
新来的tensorflow。
以下是我正在研究的数据集：
abalone_train = pd.read_csv(
"https://storage.googleapis.com/download.tensorflow.org/data/abalone_train.csv",
names=["Length", "Diameter", "Height", "Whole weight", "Shucked weight",
"Viscera weight&#
浏览 6提问于2022-04-07得票数 1
1回答
我不确定我是否理解Keras版本的LSTM到底是如何工作的。假设我的输入是len=20向量，并且我指定了keras.layers.LSTM(units=10)，那么在这个示例中，网络是在处理了50%的输入后完成的，还是从一开始就完成了其余的操作(我指的是从第一个单元格开始)？
浏览 3提问于2020-01-23得票数 0
回答已采纳
1回答
我有一个keras代码实现了一个这样的自动编码器：
ENCODING_DIM = 5
# input placeholder
input_img = tf.keras.layers.Input(shape=(320,))
# this is the encoded representation of the input
encoded = tf.keras.layers.Dense(35, activation='relu')(input_img)
encoded = tf.keras.layers.Dense(20, activation='relu')(
浏览 0提问于2019-05-28得票数 1
1回答
在R中运行CNN对一维数据的错误
、、、、
我试图运行1维CNN在R使用keras软件包。我正在尝试创建具有以下规范的一维卷积神经网络(CNN)体系结构
library(keras)
library(deepviz)
#create a neural network with a convolutional layer and train the model
model <- keras_model_sequential() %>%
layer_conv_1d(filters=32, kernel_size=4, activation="relu", input_shape=c(100, 10
浏览 8提问于2020-10-12得票数 2
回答已采纳
我有一个Caffe模型，我试图使用importCaffeNetwork命令将它导入MATLAB中，该命令获取prototxt和caffemodel文件作为输入参数。
但是，我得到了以下错误：
池层“pool1”与MATLAB不兼容。Caffe计算输出大小为16 16 32，而MATLAB计算为15 15 32。
这一误差似乎与MATLAB和CAFFE中池层输出尺寸计算的差异有关，前者使用ceil，后者使用floor函数。
这是问题的真正根源吗？我能做些什么来解决这个问题？
浏览 1提问于2017-08-07得票数 0
1回答
我正在尝试学习RNN模型。这是我构建的模型： N = 3 # number of samples
T = 10 # length of a single sample
D = 3 # number of features
K = 2 # number of output units
X = np.random.randn(N, T, D)
# Make an RNN
M = 5 # number of hidden units
i = tf.keras.layers.Input(shape=(T, D))
x = tf.keras.layers.SimpleRNN(M)(i)
x = t
浏览 17提问于2020-09-29得票数 0
回答已采纳
1回答
在使用Conv2D和其他图层之前，我想在第一个图层中调整图像的形状和大小。输入将是flattend数组。下面是我的代码： #Create flat example image:
img_test = np.zeros((120,160))
img_test_flat = img_test.flatten()
reshape_model = Sequential()
reshape_model.add(tf.keras.layers.InputLayer(input_shape=(img_test_flat.shape)))
reshape_model.add(tf.keras.layers
浏览 51提问于2020-10-16得票数 0
我正在尝试使用已接收到的CNN (VGG16)，但我一直收到以下错误：
ValueError: Error when checking input: expected input_2 to have shape (224, 224, 3) but got array with shape (244, 244, 3)
这是我的完整代码：
import numpy as np
import keras
from keras import backend as K
from keras.models import Sequential
from keras.layers import Act
浏览 1提问于2018-11-17得票数 0
回答已采纳
使用TensorFlow的Keras建立了一个神经网络，该网络应该将IP与7种漏洞中的一种相匹配，并给出IP所具有的漏洞类型。
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(50, activation=tf.nn.relu),
tf.keras.layers.Dense(7, activation=tf.nn.softmax)
])
model.compile(optimizer='adam',
loss=&#
浏览 0提问于2019-09-22得票数 0
回答已采纳
我试图在Tensorflow-Keras中的自定义层中使用多个输入。用法可以是任何东西，现在它被定义为将掩码与图像相乘。我已经搜索过了，我唯一能找到的答案是Tf1.x，所以它没有任何好处。
class mul(layers.Layer):
def __init__(self, **kwargs):
super().__init__(**kwargs)
# I've added pass because this is the simplest form I can come up with.
pass
浏览 0提问于2020-05-19得票数 10
回答已采纳
我正在尝试简单的模型来预测字符串的sha1散列，它应该采用由string:sha1_string组成的数据集。
数据集是以代码生成的。
我试着训练模型，但失败了。
Shapes (None, 40, 100) and (None, 64, 100) are incompatible
下面是我的代码失败了。
import hashlib
import random
import string
import csv
import numpy as np
import pandas as pd
import tensorflow as tf
from numpy import argmax
fro
浏览 4提问于2022-08-29得票数 0
1回答
在学习了一些深度学习中的编码器/解码器模型(主要是在Keras中)之后，我仍然不能理解学习发生在哪里。
是编码器只创建特征映射，然后解码器尝试使用BackProp尽可能接近结果，还是编码器在训练模型时也会学习？
最后一个问题:如果我理解正确的话，过滤器相当于经典机器学习模型中的节点，通过改变其权重来学习，对吗？
浏览 3提问于2018-05-25得票数 0
2回答
我试图在MNIST数据库上执行通常的分类，但使用的是随机裁剪的数字。图像的裁剪方式如下:首先/最后和/或行/列随机删除。
我想使用卷积神经网络使用Keras (和Tensorflow后端)执行卷积，然后进行通常的分类。
输入是可变大小的，我无法使它工作。
以下是我如何裁剪数字
import numpy as np
from keras.utils import to_categorical
from sklearn.datasets import load_digits
digits = load_digits()
X = digits.images
X = np.expand_dims(
浏览 9提问于2017-09-13得票数 21
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
云直播活动推荐
腾讯云开发者
