如何将数据输入多个dense(2，)？
将数据输入多个dense(2，)可以通过以下步骤实现：
- 首先，确保你已经导入了所需的库和模块，例如TensorFlow或Keras。
- 创建一个输入数据的张量（tensor），可以是一个numpy数组或者是一个张量对象。假设你的输入数据是一个形状为(100, 10)的二维数组，表示有100个样本，每个样本有10个特征。
- 使用Keras或TensorFlow的Sequential模型创建一个神经网络模型。在模型的第一层添加一个Dense层，设置输出维度为2，激活函数可以根据具体任务选择，例如使用ReLU或Sigmoid。
- 在模型中继续添加更多的Dense层，每个层的输出维度都设置为2。你可以根据任务的复杂性和数据的特点来决定添加多少个Dense层。
- 编译模型，设置损失函数和优化器。根据具体任务选择适当的损失函数和优化器，例如使用均方误差（MSE）作为损失函数，使用随机梯度下降（SGD）作为优化器。
- 使用模型的fit方法来训练模型。将输入数据作为训练数据传入fit方法，并设置合适的批次大小和训练轮数。
- 在训练完成后，你可以使用模型的predict方法来对新的数据进行预测。将多个形状为(10,)的输入数据传入predict方法，模型将返回对应的输出结果。
总结起来，将数据输入多个dense(2，)的步骤如下：
- 导入所需的库和模块。
- 创建输入数据的张量。
- 使用Sequential模型创建神经网络模型，并添加多个Dense层。
- 编译模型，设置损失函数和优化器。
- 使用fit方法训练模型。
- 使用predict方法对新数据进行预测。
腾讯云相关产品和产品介绍链接地址：
- 腾讯云：https://cloud.tencent.com/
- 腾讯云AI开放平台：https://cloud.tencent.com/product/ai
- 腾讯云人工智能：https://cloud.tencent.com/solution/ai
- 腾讯云云服务器：https://cloud.tencent.com/product/cvm
- 腾讯云云数据库：https://cloud.tencent.com/product/cdb
- 腾讯云云存储：https://cloud.tencent.com/product/cos
- 腾讯云区块链服务：https://cloud.tencent.com/product/tbaas
- 腾讯云物联网平台：https://cloud.tencent.com/product/iotexplorer
相关·内容
我是张量流的初学者，我正在尝试建立一个简单的模型来预测0和1的and运算。我用0和1做了一个小数据集，它有X1，X2和output列。我有两个变量X和y。X有input1和input2的数据帧。Y的数据帧output.The问题是定义神经网络层使用keras.I。我不知道如何指定输入层的大小。
import tensorflow as tf
from tensorflow import keras
import pandas as pd
dataDF = pd.read_excel('Untitled.xlsx')
dataDF.columns = ['X1'
浏览 0提问于2020-08-26得票数 0
1回答
我试着训练一个顺序分类器，有一个输入神经元，三个输出神经元。数据位于数据帧X和Y中，但是如何将这些数据输入keras库中的fit函数？换句话说，train_x和train_y的变量类型应该是什么(例如，它是数据框架、矩阵、列表等等)？
[...]
predictor <- keras_model_sequential() %>%
layer_dense(units = 8, activation = "relu", input_shape = c(1)) %>%
layer_dense(units = 8, activation = "rel
浏览 5提问于2020-05-16得票数 1
回答已采纳
2回答
我试图解决一个问题，我最初需要获得2个输入，将每个输入通过自动编码器层，然后将所有内容连接到一个将连接到两个自动编码器输出的层。
我已经创建了自动编码器层并保存了它们。我很难找到如何将编码数据的两个输出连接到一个层。如有建议，将不胜感激。
编辑：
我一直在研究级联层，看起来应该是这样的。但是，我仍然不知道如何将自动编码器的最后几个层连接到级联层。
自动编码器的层层形状如下：
input_1 (InputLayer) [(None, 85)]
_____________________________________________
浏览 3提问于2021-09-26得票数 2
1回答
我有25个混合变量:一些是二进制变量，一些是连续变量，大多数是需要嵌入的高级因素。
然后是我的深度学习模型，它接受许多输入，并围绕它构建一个自动编码器，如下所示。
我的问题是，如何将我的熊猫数据框架中的变量映射到适当的输入层？例如，每个高级别的因素都要进入正确的嵌入层。第一种想法是在进行任何培训之前，按照输入的正确顺序排列数据集，或者以某种方式映射变量(例如，provID、->、input_provid)。
autoencoder.summary()
Model: "claims_ae"
__________________________________________
浏览 1提问于2021-08-30得票数 0
回答已采纳
1回答
我对Keras的顺序模型有一些疑问。如果我提出问题的方式有任何问题，请告诉我，我会非常乐意修复它，使它符合社区指南。
我工作的数据集约6000点。我有三个输入变量(都是实数)，还有一个输出(也是实数)。这本质上是一个回归问题。
我发现这里发现，如果您有多个输入，那么使用顺序模型并不是一个好主意。这是真的吗？我还发现许多人使用这个网络进行多个输入值的示例，所以我很困惑。
我的三个数据输入代表了结构设计的三个不同的参数。这被认为是顺序数据，对吗？
我目前的代码给了我相当好的R^2值(~.85)，所以我想知道这是否是侥幸，或者即使我有多维输入，我所做的工作是否有效。
这更像是一个概念性的问题，但如果
浏览 0提问于2022-02-07得票数 0
回答已采纳
2回答
我有一个大约300行的小型数据集。每行具有:列A:图像，列B:分类文本输入，列C:分类文本输入，列D:分类文本输出
我可以仅对图像输入数据(列A)使用顺序Keras模型来预测输出(列D)，但准确率非常低(约40%)。如何将图像数据与分类输入数据相结合以获得更好的准确性？
下面是我使用的代码。我在model.fit上收到错误: ValueError:无法将字符串转换为浮点型：'item1‘
我使用的数据中没有数字，所有内容都是分类文本。我认为我需要更改'y‘的模型，以便它知道预测是分类的，而不是数字的。不过，我不确定要改变什么。
drive.mount('/content
浏览 32提问于2020-06-02得票数 2
2回答
我尝试使用keras实现pilotnet模型。使用顺序模型，我可以实现1图像CNN，但我们如何将3幅图像输入到CNN网络中的角点。
“”“
def createModel()：model = Sequential()
model.add(Convolution2D(24, (5, 5), (2, 2), input_shape=(66, 200, 3), activation='relu'))
model.add(Convolution2D(36, (5, 5), (2, 2), activation='relu'))
model.add(Convolution
浏览 3提问于2021-09-27得票数 1
回答已采纳
1回答
我如何准确地识别预测结果，以确定输入是否匹配，或者输入是否与任何训练数据完全不同。
例如，如果我有一个识别“圆形”、“正方形”和其他形状的模型，但随后用户输入了“乱七八糟的曲折”，我如何才能阻止它意外地匹配最高概率？
我的知识比较低，目前我的模型是这样的。
Model: "sequential"
_________________________________________________________________
Layer (type) Output Shape Param #
==============
浏览 9提问于2020-07-30得票数 0
1回答
有人能解释一下使用python和keras将每个输入输入到神经网络中的逻辑吗？我正在处理文本数据集，所以很明显它是一个单词，但是如何将每个单词作为输入输入到网络中呢？代码如下：
model = models.Sequential()
model.add(layers.Dense(8, activation='relu', input_shape=(4000,)))
model.add(layers.Dense(8, activation='relu'))
model.add(layers.Dense(1, activation='sigmoid'
浏览 2提问于2019-05-16得票数 0
1回答
我试图合并两个模型的输出，并使用keras序列模型将它们作为对第三个模型的输入。Model1：
inputs1 = Input(shape=(750,))
x = Dense(500, activation='relu')(inputs1)
x = Dense(100, activation='relu')(x)
Model1：
inputs2 = Input(shape=(750,))
y = Dense(500, activation='relu')(inputs2)
y = Dense(100, activation='relu&#
浏览 1提问于2018-10-26得票数 6
回答已采纳
我正在创建一个函数式API keras模型，基于两个混合数据输入来回归和预测数值。 该网络由两个模型组成，这两个模型的输出将被连接并输入到另一个模型中，该模型将输出最终值以与要预测的值进行比较。 我的(未完成的)代码如下所示： def categorical_model():
inputA = Input(shape=(3, 1329, ))
x = Dense(8, activation='relu')(inputA)
x = Dense(4, activation='relu')(x)
return Model(inputs
浏览 13提问于2020-10-28得票数 0
1回答
class Model(nn.Module):
def __init__(self):
super(Model, self).__init__()
self.encoder = nn.Linear(300, 100)
self.dense1 = nn.Sequential(nn.Linear(100, 10),nn.ReLU())
self.dense2 = nn.Sequential(nn.Linear(10, 5),nn.ReLU())
self.dense3 = nn.Sequential(nn.Linear(5, 1))
def forward
浏览 94提问于2020-10-12得票数 0
回答已采纳
1回答
我需要创建10神经元，每个神经元都有2输入。每个输出都应该连接到具有10输入、和输出的层。
我对输入神经元的定义：
Function in1 = Util.Dense(CNTK.Variable.InputVariable(CNTK.NDShape.CreateNDShape(new int[] { 2 }), CNTK.DataType.Float), 1, computeDevice);
Function in2 = Util.Dense(CNTK.Variable.InputVariable(CNTK.NDShape.CreateNDShape(new int[] { 2 }), C
浏览 0提问于2019-02-09得票数 0
总的来说，我对Keras和机器学习非常陌生，但这里是我想要的。我有一个输入列表(每个输入节点有一个值)和一个目标列表(每个输出节点有一个值)。
input_list = [1, 0, 1, 0, 1, 0] # maybe longer
wanted_output_list = [1, 0, 0, 0] # also maybe longer
现在我想把这些作为训练神经网络的输入：
# create model
model = Sequential()
# get number of columns in training data
n_co
浏览 6提问于2019-10-02得票数 3
回答已采纳
1回答
我刚开始使用Keras。我遇到了一个问题，就是如何将前几个层的多个输出输入到一个连续的lstm层。我的模型(部分)如下：
batch_size = 64
output_1 = Dense(output_dim=(128, ), input_dim=(200, ))
output_2 = Dense(output_dim=(128,), input_dim=(200, ))
output_3 = Dense(output_dim=(128,), input_dim=(200, ))
output_4 = Dense(output_dim=(128,), input_dim=(200, )
浏览 2提问于2016-11-29得票数 1
1回答
目前，我正在努力理解如何使用keras来训练我的回归网络。我不知道该如何将输入数据传递到网络。
输入数据和输出数据都存储为numpy数组的列表。
每个输入numpy数组是一个矩阵，它有(400行，x列)，每个输出numpy数组是一个矩阵，它有(x行数，13列)。
输入维度为400，输出为13。但如何将列表中的每个集合传递给培训？
# Multilayer Perceptron
model = Sequential() # Feedforward
model.add(Dense(3, input_dim=400, output_dim=13))
model.add(Activation(&
浏览 0提问于2016-11-13得票数 9
回答已采纳
1回答
我刚开始机器学习，对神经网络做了一些实验，并做了一些研究。我目前正试图制作一个用于假新闻检测的迷你网络。我的数据有几个特性(语句、扬声器、日期、主题.)，到目前为止，我尝试简单地使用虚假和真实语句的文本作为网络的输入，并使用手套来嵌入单词。我尝试了以下网络：
model = tf.keras.Sequential(
[
# part 1: word and sequence processing
tf.keras.layers.Embedding(embeddings_matrix.shape[0], embeddings_matrix.shape[1], weights=[e
浏览 1提问于2020-06-14得票数 0
1回答
我正在学习PySpark。在中，有一个例子：
from pyspark.ml.linalg import Vectors
from pyspark.ml.classification import LogisticRegression
# Prepare training data from a list of (label, features) tuples.
training = spark.createDataFrame([
(1.0, Vectors.dense([0.0, 1.1, 0.1])),
(0.0, Vectors.dense([2.0, 1.0, -1.
浏览 0提问于2019-02-13得票数 1
回答已采纳
我有一个具有多个输出的模型，如：
model_in = Input((None, None, 3))
out_1 = Dense(10)(model_in)
out_2 = Dense(20)(model_in)
model = keras.Model(model_in, [out_1, out_2])
model.compile('adam', loss = [loss_fn_1, loss_fn_2])
对于每个训练样本，我都有一个掩码，应该在我的自定义丢失函数中使用(实际上，我的数据生成器根据输入样本生成这个掩码)。因此，对于每个样本，我有一个输入，两个输出和一个掩码，
浏览 1提问于2021-01-08得票数 0
回答已采纳
1回答
我正在尝试通过Keras (theano backend)中的一些练习来理解CNN。我无法适应下面的模型(错误: AttributeError：'Convolution2D‘对象没有’get_shape‘属性)。此数据集是来自MNIST数据的图像(28*28)，它们连接在一起，最多有五个图像。所以输入的形状应该是1，28,140 (灰度= 1，高度=28，宽度= 28*5)
目标是预测数字序列。谢谢你！！
batch_size = 128
nb_classes = 10
nb_epoch = 2
img_rows =28
img_cols=140
img_channels = 1
浏览 6提问于2017-02-07得票数 3
回答已采纳
1回答
我正在使用Keras (tensorflow后端)，并想知道如何在Keras序列模型中添加多个嵌入层。
更具体地说，我的数据集中有几个列，它们有分类值，我考虑过使用一种热编码，但我已经确定分类项的数量在数百个列中，从而导致了一组大而过于稀疏的列。在寻找解决方案时，我发现Keras的嵌入层似乎非常巧妙地解决了这个问题。但是，大多数示例(和Keras文档)都说明了一个嵌入层非常简单的情况。
不幸的是，我不知道如何将多个嵌入层作为输入集成到单个模型中。
我的代码看起来是这样的，但它不起作用，而且我猜测多个嵌入层的作用是顺序的(第一个嵌入层是输入第二个等等)，而不是模型的多个输入源：
model =
浏览 0提问于2018-06-12得票数 6
回答已采纳
1回答
我是TensorFlow的新手。我的任务是预测一些值(在这种情况下，速度)。如果我使用一个值作为模型输入(l0)，那么一切都很好，我可以训练它并进行预测：
dataset, meta = arff.loadarff('data.arff')
# meta: 'XYZ'
# TIMESTAMP_ms's type is numeric
# SPEED_KMH's type is numeric
# POWER_W's type is numeric
# CURRENT_A's type is nume
浏览 2提问于2020-03-23得票数 0
回答已采纳
我尝试创建一个神经网络，有两个特定大小的输入(这里是四个)和一个大小相同的输出(也就是四个)。不幸的是，在运行我的代码时，我总是得到这样的错误：
ValueError: Error when checking model input: the list of Numpy arrays that you are passing to your model is not
the size the model expected. Expected to see 2 array(s), but instead got the following list of 1 arrays:
[array([[[
浏览 21提问于2020-02-18得票数 0
回答已采纳
1回答
我试图实现一个多头模型，它有可变数量的1D数据输入，每个输入的长度为sps。
因此，我在循环中定义了输入，该输入后来被合并到一个模型中。并得到错误
密度=(locChannels，activation=locActivation，input_shape=merged.output_shape)(合并)
AttributeError：“张量”对象没有属性“output_shape”
如果从稠密对象中移除输入_ from参数，就会得到以下结果：
UserWarning:模型输入必须来自keras.layers.Input (因此保存过去的层元数据)，它们不能是以前的非输入层的输出。这里，
浏览 2提问于2018-09-26得票数 1
1回答
连接conv net的两个输出
、、、、
我正在建立图像分类器与本地化使用CNN。
我的CNN有图像作为输入，但是在最后一个卷积层之后，我想把它分成两部分，一部分用于图像分类，另一部分用于图像定位。不用说，一部分应该使用均方误差，另一部分应该使用二进制binary_crossentropy。我的结构类似于：
input_image = Input(shape=(IMG_W, IMG_H, 3))
# Layer 1
x = Conv2D(32, (3,3), strides=(1,1), padding='same', name='conv_1', use_bias=False)(input_imag
浏览 2提问于2018-03-25得票数 1
1回答
我试图在这里写一个多模式网络，但我不确定我这样做的方式是否正确。
我有两个网络，其中，network_1使用图像作为输入，network_2是一个完全连接的网络，将充满关节位置的17x1矢量作为输入(数字范围为-0.7 - 0.7)。我将两个网络的最终完全连接层连接起来，并输出7个类的最终层。
代码：
41 #-------NETWORK 1---------------
42 network1 = Sequential()
43 #Dense layers - 1st param is output
44 networ
浏览 2提问于2017-09-07得票数 0
2回答
如何在一个层中合并两个输入，其中input1的每个元素都乘以input2的每个元素？
假设我有两个输入，x1, x2, x3,的Dense(3)和y1, y2, y3和y4的Dense(4)。如何将两个输入合并到一个层中，其中z1=x1*y1, z2=x1*y2, z3=x1*y3, z4=x1*y4, z5=x2*y1...？
浏览 0提问于2018-06-19得票数 0
我是Tensorflow的新手。我的工作是使用2d array作为输入来推断标量。我的输入有shape of (2,3)，输出是标量。
我按如下方式实现该模型：
my_model = Sequential()
input_layer = layers.InputLayer(input_shape = [2,3])
xs = np.array(
[[1,1,1],
[1,1,1]],
[[2,2,2],
[2,2,2]],
[[3,3,3],
[3,3,3]])
ys = np.array([1,2,3])
my_model.add(in
浏览 0提问于2021-09-13得票数 0
1回答
我正在用Keras构建一个5层的自动编码器。我制作了从输入到输出的映射模型，这是很好的。我建立了另一个模型，从输入映射到潜在的编码向量，它工作得很好。然而，我试图建立一个解码模型，从潜在的编码向量映射到不起作用的输出。
我知道，首先，我应该为解码的模型创建一个输入层，这个模型就是这个形状，但我不知道如何将编码层数据作为解码模型的输入，并让它从编码向量映射到最后一层。
from keras.layers import Input, Dense
from keras.models import Model
from keras.datasets import mnist
import numpy
浏览 2提问于2018-09-27得票数 2
回答已采纳
我有一个自动编码器类型的串联网络，由一个预先训练的前向DNN (权重冻结)组成，从一个未训练的反向DNN获得输出。我希望在模型之间有一个直接的映射，这样第一个网络的输出层就代表了第二个网络的输入张量。我目前正在使用Keras API顺序模型来添加密集层，但是，这些层是完全连接的。
下面是我的代码片段：
(`#tandem architecture (with weights loaded from pre trained model)
Tandem = keras.models.Sequential()
Tandem.add(Dense(2, name = 'CIE_input'
浏览 2提问于2021-03-04得票数 0
我使用Keras Functional API进行测试，因为我需要将模型迁移到Tensorflow LITE。我建立了一个有3个输入和3个输出的模型。如果所有输入都有相同数量的观察值，则该模型可以工作。我不理解这一点，因为它们是独立的。
ValueError: All input arrays (x) should have the same number of samples. Got array shapes: [(10, 5), (20, 5), (30, 5)
我想建立一个模型，有几个输入和不同数量的观察值。这有可能吗？
import numpy as np
from keras.la
浏览 12提问于2019-08-03得票数 0
回答已采纳
2回答
我对机器学习和神经网络非常陌生。我用下面的模型来分析短文的情感。我通常理解信号是如何计算的，一直到输出层。现在我不明白的是输入是如何被找到的。当模型对一个单词进行分类时，如何将该单词转换为512输入单元？模型评估了这个词的哪些特征，这是如何决定的？
model = Sequential()
model.add(Dense(512, input_shape=(max_words,), activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(256, activation='sigmoid
浏览 2提问于2020-11-14得票数 1
回答已采纳
我试着用Keras建立一个CNN模型。这是我的代码：
import keras
import tensorflow as tf
from keras.layers import Dense
from keras.models import Sequential
from keras.models import load_model
from keras.callbacks import EarlyStopping
from sklearn.model_selection import train_test_split
from __future__ import print_functio
浏览 1提问于2019-11-07得票数 0
回答已采纳
我正在尝试创建一个具有多个输入的Keras模型。
input_img = Input(shape=(728,))
input_1 = Input(shape=(1,))
input_2 = Input(shape=(1,))
x = (Dense(48,kernel_initializer='normal',activation="relu"))(input_img)
x = (Dropout(0.2))(x)
x = (Dense(24,activation="tanh"))(x)
x = (Dropout(0.3))(x)
x = (Den
浏览 0提问于2020-02-29得票数 1
1回答
我想在LSTM中输入一个时间序列来执行预测。假设我有10000个样本。现在，为了将时间序列输入到我的LSTM中，我将其重塑为(示例、时间步骤、特性)。在我的例子中，我使用timesteps=50来创建子序列并执行t+1的预测，所以我最终得到了x.shape=(9950,50,1)。到目前一切尚好。
我的模型
model= Sequential()
model.add(LSTM(50,return_sequences=True,input_shape=(50,1)))
model.add(Dense(out_dim, activation = 'sigmoid'))
model.
浏览 0提问于2018-07-04得票数 0
输入数据(X)形状为(2000, 7, 7, 512)
网是
visible = Input(shape=(7,7,512))
Lstm = LSTM(units=22, return_sequences=True)(visible)
Dense_1 = Dense(4096)(Lstm)
Dense_2 = Dense(512 ,activation='sigmoid')(Dense_1)
Dense_3 = Dense(5, activation='sigmoid')(Dense_2)
model = Model(input = visible, outpu
浏览 1提问于2019-01-24得票数 1
回答已采纳
1回答
我用输入数据训练神经网络，输入数据的形状为(116，2，3，58)，输出数据为(116，2)。我得到了一个错误：
ValueError: Error when checking target: expected dense_3 to have 4 dimensions, but got array with shape (116, 2)
我做错什么了？这是我的代码：
trainingInput = np.load("trainingInput.npy")
trainingOutput = np.load("trainingOutput.npy")
inp =
浏览 2提问于2018-02-18得票数 0
回答已采纳
我正在尝试使用LSTM模型进行字母分类。输入是96x96大小的二进制图像 第一步是加载数据 DATADIR = '/content/drive/MyDrive/Mihir_etal_Assamese_Dataset/DATASET_1'
CATEGORIES = ['1','2','3','4','5']
kernel=np.ones((2,2), np.int8)
training_data = []
for category in CATEGORIES:
path = os.pa
浏览 11提问于2021-06-28得票数 0
我正在尝试创建一个非常简单的GANs模型，并且不确定如何将生成器和鉴别器结合起来用于训练生成器
from keras import optimizers
from keras.layers import Input, Dense
from keras.models import Sequential, Model
import numpy as np
def build_generator(input_dim=10, output_dim=40, hidden_dim=28):
model = Sequential()
model.add(Dense(hidden_dim,
浏览 5提问于2017-11-22得票数 0
回答已采纳
在设置Eigen库时，我尝试： #include <eigen/Eigen/Dense> 这会导致错误： eigen/Eigen/Dense: No such file or directory 然而， #include "eigen/Eigen/Dense" 成功了。 为什么会这样呢？根据前面提出的问题，我怀疑这是因为#include <>在系统目录中搜索，而#include ""在本地搜索。如果这是真的，如何将Eigen文件夹放在系统目录中？
浏览 648提问于2021-07-29得票数 1
1回答
我使用TensorFlow 2.0构建了一个完全连接的神经网络，一个去噪自动编码器。网络结构为128-64-32-64-128 (神经元数目)，经过五层网络处理后，有1000个数据输入和1000个数据输出。 我的代码如下(Model())： # Denoising Autoencoder
input_size = 1000
hidden_size = 128
hidden_size_2 = 64
code_size = 32
output_size = 1000
x = Input(shape=(input_size, ))
hidden_1 = Dense(hidden_size
浏览 12提问于2020-11-10得票数 1
1回答
我训练了一个具有大量数据的语音模型(使用CNTK)，并且需要将其调整为低资源语言。由于目标语言的数据量太小，我决定使用原始模型的前三层(作为常量)，并在顶部附加两个前馈层。我找不到一种明确的方法来做到这一点。
为了简单起见，假设我的原始模型是：
model1 = Sequential([Recurrence(LSTM(1024, use_peepholes=True)), Dense(40), Recurrence(LSTM(1024, use_peepholes=True)), Dense(256), Dense(num_classes1)])
我需要我的低资源模型是这样的：
model2
浏览 8提问于2017-03-09得票数 1
早上好,
我尝试使用序列模型来创建具有多个输入(连接)的神经网络。但是我想知道我是否应该使用Keras函数API来创建我的模型。
in1= loadtxt('in1.csv', delimiter=',')#2D matrix
in2= loadtxt('in2.csv', delimiter=',')#2D matrix
y= loadtxt('y.csv', delimiter=',') #2D matrix (output labels)
X_train=np.hstack((in1,in2)
浏览 9提问于2021-02-24得票数 0
1回答
首先，抱歉，如果我说错了，我还是TensorFlow的新手
我正在为数据集的简单分类设计一个模型，每一列都是一个属性，最后一列是类。我将它们分开，并按照通常的方式生成数据。
如果我生成了一个具有密集层的模型，那么它的工作效果很好：
def baseline_model():
# create model
model = Sequential()
model.add(Dense(30, input_dim=len(dataframe.columns)-2, activation='sigmoid'))
model.add(Dense(20,activation='sigm
浏览 0提问于2018-11-09得票数 0
我正在使用DAIC音频和视频摘录数据集来检测抑郁症.在训练音频文件时，它有三个输入: eGeMAPS、MFCC和DENSENET数组。它们被输入到BLSTM模型中。我正在使用AzureML服务器GPU-N6进行培训。
机器规格: STANDARD_NV6 (6核，56 GB内存，380 GB磁盘)
它使用代码137退出，这是内存不足的错误。我看到数据被下载到本地节点并创建了NumPy数组。OOM发生在批处理开始时。
我尝试只使用一个输入(eGeMaps)运行模型，但遇到内存问题。
我的问题是，是否有一种方法可以批量加载NumPy文件，类似于图像数据集？我尝试将输入分割成单独的数据文件，并使用张
浏览 0提问于2021-01-27得票数 0
回答已采纳
如何将数据输入到keras中？结构是什么？具体来说，如果我有两个以上的列，那么x_train和y_train是什么？
这是我要输入的数据：
我试图在这个例子中定义Xtrain，在这个例子中，多层代码Keras在其文档中。()下面是代码：
from keras.models import Sequential
from keras.layers.core import Dense, Dropout, Activation
from keras.optimizers import SGD
model = Sequential()
model.add(Dense(64, input_di
浏览 2提问于2015-12-24得票数 7
回答已采纳
我的代码是： from keras.models import Sequential
from keras.layers import Dense
import numpy
import pandas as pd
X = pd.read_csv(
"data/train.csv", header=0, usecols=['Type', 'Age', 'Breed1', 'Breed2', 'Gender', 'Color1', 'Color2', '
浏览 17提问于2018-12-30得票数 1
回答已采纳
我正在使用Keras函数API构建一个多输入网络，但我很难找到和理解输入数据抛出网络的正确格式。
我有两项主要投入：
One是一幅图像，它会抛出一个微调的ResNet50 CNN，第二个是简单的numpy数组(X_train)，其中包含关于图像的元数据(图像的位置和大小)。这一次抛出一个简单的密集网络。
我将图像从包含元数据的dataframe和文件路径加载到相应的映像中。我使用ImageDataGenerator和flow_from_dataframe方法加载图像：
datagen = ImageDataGenerator(preprocessing_function=preprocess_
浏览 1提问于2020-07-20得票数 3
回答已采纳
我对具有多个输出的以下Keras体系结构进行了实验：
def create_model(conv_kernels = 32, dense_nodes = 512):
model_input=Input(shape=(img_channels, img_rows, img_cols))
x = Convolution2D(conv_kernels, (3, 3), padding ='same', kernel_initializer='he_normal')(model_input)
x = Activation('relu
浏览 0提问于2017-12-19得票数 4
Tensorflow的对于非数值特征处理非常有用。然而，当前的API文档更多的是关于在tensorflow Estimator中使用feature_columns。有没有一种可行的方法来使用feature_columns来表示分类特征，然后基于tf.keras构建模型？
我找到的唯一参考资料是下面的教程。它展示了如何将要素列提供给Keras序列模型：
代码片段如下：
from tensorflow.python.feature_column import feature_column_v2 as fc
feature_columns = [fc.embedding_column(ccv, d
浏览 5提问于2019-01-26得票数 17
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
