如何提高CNN的准确性？
提高卷积神经网络（CNN）的准确性可以采取以下几个方法：
- 数据预处理：数据预处理是提高CNN准确性的重要步骤。可以对原始数据进行标准化、归一化、去噪等操作，以消除数据中的噪声和冗余信息。同时，数据增强技术如随机裁剪、旋转、翻转等可以扩充数据集，提升模型的泛化能力。
- 模型架构优化：通过优化CNN的模型架构，可以提高准确性。常见的优化方法包括增加网络的深度和宽度、使用更复杂的卷积核、引入残差连接等。同时，合适的激活函数、正则化方法和批量归一化等技术也可以提高模型的性能。
- 超参数调优：CNN中的超参数如学习率、批次大小、优化器、正则化参数等都会影响模型的准确性。可以通过网格搜索、随机搜索或使用优化算法如贝叶斯优化来找到最佳的超参数组合。
- 迁移学习：迁移学习是利用已经训练好的模型在新任务上进行微调，可以加快模型收敛速度并提高准确性。可以使用预训练的CNN模型作为特征提取器，然后在新数据集上进行微调训练。
- 集成方法：集成多个CNN模型可以有效提高准确性。常见的集成方法包括投票、平均、堆叠等。可以使用Bagging、Boosting、随机森林等集成算法进行模型融合。
- 数据集质量：CNN模型的准确性也与数据集的质量有关。确保数据集的标注准确无误，同时确保数据集的多样性和代表性，可以减少模型的过拟合现象，提高准确性。
- 硬件加速：使用高性能的GPU或TPU可以加速CNN模型的训练和推理过程，从而提高准确性和效率。
对于以上问题，腾讯云提供了丰富的云计算服务和产品，如弹性GPU、深度学习工具包、云原生应用部署平台等。更多详情请参考腾讯云官方网站（https://cloud.tencent.com）。
相关·内容
1回答
我想用两个图像数据集同时训练一个CNN模型。 Dataset1(RGB-图像大小(64，64，3))->1类:火灾2类:非火灾Dataset2(gray_scale-imagesize(120,120,1))->class-1:Fire 2类:非火灾 模型输出:Fire(类)或Non_Fire(类) 我的数据集链接: Dataset-1： test_path1='/content/drive/MyDrive/Thesis_Dataset/Devide_Cnn/gt/test'
train_path1='/content/drive/MyDrive/Thes
浏览 116提问于2020-11-27得票数 1
1回答
我在一个软件缺陷数据集上运行CNN，我已经使用Deep Insight Library将其转换为图像。在CNN上训练图像，在每一个时代之后，我都在见证不断的训练和验证准确性。我没有使用任何正则化技术，如Dropout，Batch Norm等。除了恒定的训练和测试精度外，你们都可以看到与模型相关的高偏差和高方差。如果你能建议一些步骤，帮助我避免获得这些常量值，并提高模型的准确性，我会很高兴的。
浏览 0提问于2021-11-25得票数 1
2回答
我试图用python编码一个水果图像分类器，尝试对7个水果进行分类。我有15077张train_set图片和4204张validation_set图片。我为10个时代编写了代码，我得到的结果如下：
对15077个样本进行训练，在4204个样本上验证: 1/10 15077/15077 ============================== -264 s 17 10/阶跃损失: 1.0652 -精度: 0.5325 - val_loss: 0.3722 - val_accuracy: 0.8428 Epoch 2/10 15077/15077 =======================
浏览 7提问于2020-05-04得票数 0
回答已采纳
1回答
我使用CNN对20类图像进行图像识别。我还想让CNN告诉我，当图像不属于这20个类别中的任何一个时。Softmax只能给我这20个类中的一个的答案。有什么办法可以解决这个问题吗？
浏览 14提问于2020-05-22得票数 0
回答已采纳
场景:我一直在为cifar10数据集训练CNN。我使用的是tensorflow，还有一个CNN，它有12个conv层和1个密集层，在softmax稠密层之前。我正在使用数据增强以及批处理规范化。
在几百个历次之后，我对验证集的准确率最高达到92.73 %。
我的问题是：
验证损失略有上升，因为我训练更多。
当验证损失增加时，验证的准确性也会上升。
示例：
一个时代给了我0.295的损失，验证的准确率为90.5%。我的最佳验证时间精度为92.73%，验证损失为0.33。
问题：
为什么我的验证精度提高，而我的验证损失却在上升？
我应该使用与cross_entropy不同的损失度量吗？
浏览 0提问于2020-01-23得票数 3
回答已采纳
1回答
我有一个CNN： def cnn(trainImages, trainLabels, testImages, testLabels):
trainImages = np.array(trainImages)
trainLabels = np.array(trainLabels)
testImages = np.array(testImages)
testLabels = np.array(testLabels)
trainImages = trainImages / 255
testImages = testImages / 255
浏览 20提问于2021-08-18得票数 0
5回答
我使用tensorflow运行了深度学习模型(CNN)。在这一时期，我多次观察到，损失和准确度都增加了，或者两者都减少了。我的理解是两者总是成反比关系。什么情况下两者同时增加或减少。
浏览 1提问于2016-12-01得票数 40
回答已采纳
2回答
我正在用一些文本数据训练CNN。这些句子被填充和嵌入，并提供给CNN。模型架构是：
model = Sequential()
model.add(Embedding(max_features, embedding_dims, input_length=maxlen))
model.add(Conv1D(128, 5, activation='relu'))
model.add(GlobalMaxPooling1D())
model.add(Dense(50, activation = 'relu'))
model.add(BatchNormalization(
浏览 0提问于2019-12-26得票数 0
1回答
我好像在给CNN网络建模上出了问题。
我想从不同大小的图像中提取特征向量。与图像一致的是y轴和颜色维数，但x轴不是常数。
根据x轴的长度，特征向量的长度也会被改变。我已经知道它们应该有多长，但不知道x轴的长度和特征向量的长度之间的比率，我猜确实存在。
是否有可能训练CNN网络，使其能够根据图像x轴输入的长度来改变特征向量长度？
浏览 0提问于2017-03-08得票数 3
回答已采纳
我已经训练了支持向量机，细胞神经网络和神经网络上的UCF-101数据集，支持向量机和神经网络使用CSV文件的色调和LBP的特征，而CNN使用的分类图像和我想结合{支持向量机和CNN}和{ANN和CNN}.Is可以这样做吗？若有，如何进行？ 我已经提取了数据集中的每个视频的第一个关键帧，然后计算它的LBP histogram.Used它作为图像的特征，写在csv连同它的标签(我只选择了5类数据的101个可用)，然后训练支持向量机和神经网络上的it.ANN是一个简单的网络与Softmax激活函数在输出和2个隐藏层，每个隐藏层8节点。不使用dropout。对于CNN，我提取了图像的LBP特征并将其
浏览 87提问于2019-05-15得票数 0
1回答
我刚开始深入学习，所以如果这个问题没有意义，请纠正我。
在传统的机器学习中，我知道如何比较模型，并选择与我选择的度量标准中最好的一种。
然而，在深度学习中，每个模型都是用不同的层次构建的，那么如何控制变量来确定哪个模型是最公平的呢？或者人们通常不会用这种方式来比较？
例如，我有一个序列数据，我可以同时使用CNN和LSTM模型，那么我应该将模型与CNN的一层和LSTM的一层进行比较吗？在此之后，我可以添加更多的层或调优我的模型？
或者，有人可以告诉我如何比较和选择最佳的深度学习模型和选择指标的过程？
浏览 4提问于2021-04-19得票数 0
1回答
下面是我的网络架构： cnn3 = Sequential()
cnn3.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=input_shape))
cnn3.add(MaxPooling2D((2, 2)))
cnn3.add(Dropout(0.25))
cnn3.add(Conv2D(64, kernel_size=(3, 3), activation='relu'))
cnn3.add(MaxPooling2D(pool_size=(2, 2)))
cnn3.add(Dr
浏览 25提问于2020-09-01得票数 0
回答已采纳
我正在训练一个转移学习CNN的161张图片，已经增加到966张照片，4班。我正在训练一个平衡的数据集，所以每个类有52张图像，并且在验证和测试数据中，我保持数据的平衡。
我使用MobileNet作为一个传输学习网络，实际上只使用前8层作为不可训练的层，其余的是可训练的，然后我添加了另外3个具有relu激活函数的密集层和最后一个softmax，以避免遇到消失的梯度下降。
目前使用的是adam编译器，学习速率为1e-6、beta_1=0.9、beta_2=0.999 decay=0.0000001和amsgrad=True。损失是categorical_crossentropy，度量是准确的。
现
浏览 0提问于2019-02-13得票数 1
在ConvNets中，池用于缩小输入量，减少参数，提高计算效率，并可能有助于过度拟合。
但是，汇集能增加CNN模型的准确性吗？我想这可能会发生，如果你的CNN是过度的，而池是不使用的，而引入池防止过度，这可能导致更好的准确性性能测试。但是，如果过度拟合并不是一个问题，首先，你应用了池，它是否有可能提高准确性的结果池？我看不出这种情况是如何发生的，因为池实际上是在进行低阶计算，所以您的准确性应该始终是\leq未合并的CNN吗？
浏览 0提问于2019-01-24得票数 3
1回答
我正在建立一个CNN模型，使用歌曲录制的音高估计。基音估计方法是将谱图输入CNN模型，使CNN从该谱图中预测基音序列(每次记录250个基音值)。对于评估指标，我使用的是Accuracy和F1 Score。使用mean测量给出了总体测试结果的样本。
📷
一些注意事项：
Val-Acc是验证的准确性。我用这个来看看模型如何分析训练中没有给出的新数据。
Delta acc是accuracy和val-acc之间的差值。
现在，我想知道如何解释Accuracy和F1 Score之间的关系。我的主管对我说，测量精度是为了获得模型的精确性，而F1是模型的性能。这段关系真的是这样吗？我可以了解一下如何解释它
浏览 0提问于2021-04-30得票数 1
回答已采纳
2回答
我正在与tensorflow合作创建一个模型，该模型可以使用google.My提供的SVHN数据集对数字进行分类。准确率非常低(~25%)，但我看到了一个有88%准确率的笔记本。
我想知道是否有人可以给我一些建议，关于我应该如何提高我的准确性，以使我的模型更好。
这是我的模型代码。
filename='extra.pickle'
with open(filename,'rb') as f:
other=pickle.load(f)
train_data=other['train_dataset']
test_data=o
浏览 0提问于2017-11-02得票数 0
我一直在训练我的CNN，并得到了以下结果：
我只知道训练和验证的准确性都需要很高，但是这些数字足够好吗？我如何知道何时停止？我应该关注损失，还是只关注准确性？到目前为止，哪个时代显示了最好的结果？
浏览 56提问于2020-02-11得票数 0
回答已采纳
2回答
我在tensorflow中为OCR制作了一个模型，其结构如下。我在一个非常大的数据集(250 K图像)上对它进行了训练，并且获得了94%的准确率。但该模型预测大多数情况下"is“为"1s”或"1S“。我检查了数据集，它包含了相当多的" is“实例，所以我认为dataset不是问题所在。此外，当它是另一个词的一部分时，如"this“或"christian”，该模型也能正确地预测。这种行为的原因可能是什么?我如何改进"is“这个模型。
Things我试过
减少最大池层的数量。
使用最大池层的2x1内核
Input: (?, 64, 1024,
浏览 1提问于2018-05-14得票数 0
1回答
我有一个美国有线电视新闻网的代码，它可以确定图像中是否包含暴力、毒品、恐怖或色情内容。我目前正处于训练CNN的阶段，并尝试不同的配置，以找到我的CNN的最佳准确性。通过这次培训，我实现了from keras.callbacks import ModelCheckpoint，以便在培训时使用检查点。我像这样使用回调：
checkpoint = ModelCheckpoint(WEIGHTS_PATH, monitor='val_acc', verbose=1, save_best_only=True, mode='max')
model.fit_generator
浏览 8提问于2019-11-01得票数 0
回答已采纳
1回答
我想将theano中的convolutional_mlp应用于我自己的数据集。但是CNN不能很好地工作在我的数据集上，我找不到原因。在下面，我将详细描述我的数据集，有人可以帮助我吗？非常感谢！
数据集:我的目标是使用CNN将我的图像(大小为28*28 = 784)分为两种类型，0和1。我的原始数据是csv文件，datax.csv和datay.csv。在datax.csv中，每行存储每个图像的每个像素的灰度值，在datay.csv中，每行是每个图像的标签。datax.csv (1000行，784列)
datay.csv (1000行)
0;1;1;0;1;0;1;1;1;0;1....
浏览 3提问于2016-01-08得票数 1
我有8个类，我想从输入文本预测。下面是我的预处理数据的代码：
num_max = 1000
tok = Tokenizer(num_words=num_max)
tok.fit_on_texts(x_train)
mat_texts = tok.texts_to_matrix(x_train,mode='count')
num_max = 1000
tok = Tokenizer(num_words=num_max)
tok.fit_on_texts(x_train)
max_len = 100
cnn_texts_seq = tok.texts_to_sequences(x_
浏览 1提问于2018-11-23得票数 0
回答已采纳
我用CNN模型来分割任务。产出培训如下：
如何知道什么时候应该停止基于损失和IoU的训练？
浏览 0提问于2020-12-06得票数 0
回答已采纳
如果我用tensorflow写一个模型，可能是任何CNN或ANN。我想知道如何发现我的架构或模型中是否有问题。例如。如果我的模型拟合不足或过拟合。如何绘制学习曲线、验证曲线和训练曲线，以及如何分析它们以发现我应该做些什么来提高测试数据的准确性。如何在tensorflow.Any aproach中做所有这些事情，以便在tensorflow中做到这一点，并告诉一些提示，以便在特定模型中找到正确的错误？
浏览 13提问于2018-09-01得票数 0
我是pytorch的新手，我想知道如何显示损失和准确度的图表，以及我应该如何存储这些值，因为我知道我正在使用CIFAR10应用cnn模型进行图像分类。 下面是我目前的实现： def train(num_epochs,optimizer,criterion,model):
for epoch in range(num_epochs):
for i, (images, labels) in enumerate(trainloader):
# origin shape: [4, 3, 32, 32] = 4, 3, 1
浏览 61提问于2020-07-27得票数 2
回答已采纳
1回答
我刚刚完成了CNN二元分类模型的训练。后来创建了两个图表，但由于我对机器学习非常陌生，所以我不了解它们的状态。有人能告诉我我的模型性能好吗。谢谢。
📷
📷
浏览 0提问于2022-10-12得票数 0
1回答
一维CNN模型的精度很低。
、、、、
我试图建立DNA突变分类的一维CNN模型，我建立了模型，它工作正常，但我得到的测试数据的准确性很低，我有数据集，如下图。
这是我的模型
vocab_size = 100
embedding_dim = 150
max_len = 90
X_train = pad_sequences(X_train,padding ='post', maxlen = max_len)
X_test = pad_sequences(X_test,padding ='post', maxlen = max_len)
model = Sequential()
model.add(
浏览 3提问于2021-06-25得票数 0
2回答
用于二元分类的CNN模型
、、、
我们是数据科学(和编程)方面的新手学生，我们正在尝试建立一个用于二元分类的cnn模型(男-女)。我们的精度是良好的enouch，0.97，但验证精度为0.56 (我们认为存在过度拟合)。我们有4706张图片-- 70%用于培训，30%用于测试/验证。
model = Sequential()
model.add(Conv2D(128, (3, 3), input_shape=x_data_np.shape[1:]))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add
浏览 5提问于2020-08-26得票数 0
回答已采纳
1回答
目前我正在学习神经网络。我尝试使用不同的模型来识别人，并遇到了一个非常有趣的问题。我使用了yolo v3，掩码r-cnn，但从间接角度拍摄的照片中的所有人都忽略了照片中的人。现有的模型中哪一个是最准确和有效的？
浏览 2提问于2019-09-11得票数 0
1回答
我正在尝试创建一个非常简单的CNN程序，用于使用VGG16预训练模型进行分类。我的数据集是在Kaggle上发现的第一代精灵宝可梦，它有149个不同类别的10.000张图片。问题是我没有得到足够的准确性，我能得到的最大值几乎是40%。 代码如下： import tensorflow as tf
import numpy as np
vgg_model = tf.keras.applications.VGG16(weights='imagenet', include_top=False, input_shape = (224,224,3))
vgg_model.trainabl
浏览 125提问于2019-10-15得票数 0
1回答
所以我手头有个CNN的任务。假设我有一个数据集，其中包含许多类的图片、它们的属性和子属性等等。
什么是最先进的/我们如何设计一个系统，它首先预测这个类，然后基于这个类的属性，例如鸟类的爪子，而不是人类的爪子等等。
这样的系统是如何设计的，资源利用率最低？
注意:我的问题不是关于类和属性的预测，而是一个系统的设计，它将预测类，然后预测属于类的特定属性等等。
浏览 0提问于2018-08-02得票数 2
1回答
如何选择CNN架构？例如，我有N个类和大小为m*m的图像，我如何确定应该使用哪些层大小和计数？有没有什么通用的公式？在我的例子中，我有16k个类和大小为64*64的图像。你能帮我弄一下吗？
浏览 17提问于2016-08-08得票数 0
回答已采纳
1回答
为CNN做预处理的图像？
、、、
可能有不同的文章，其中有为CNN网络预处理的图像。我找到了一篇使用映射的LBP图像作为CNN输入的文章。使用HoG图像输入到有线电视新闻网合适吗？
浏览 18提问于2019-02-13得票数 1
我有一个医学图像数据集~10K 256x256图像，用它我正在训练一个用于疾病分类的深层神经分类器。我一直在与InceptionV3和ResNets等流行的CNN合作。
这些模型已经在50-60%的范围内达到了验证集的准确性，我注意到它们太合适了。因此，为了提高性能，我尝试了一些常见的策略，比如密集层的辍学、较小的学习率和L2正则化。在这些修改没有显示过拟合的减少后，我接下来转向更小和更简单的架构，只有2-3卷积层+1FC分类层，我认为这将缓解这个问题。然而，在简单的模型中，学习曲线仍然显示出过度拟合的迹象。特别是，当对100个历元进行训练时，模型在前20-30个时期会有相似的训练和验证损失，
浏览 8提问于2022-05-19得票数 -1
我想写一篇关于卷积神经网络的论文，我的cnn模型的验证数据集的精度在98到99之间波动，测试数据集的精度每次都不一样。所以我不确定我应该写哪一次的准确性，实验中的历次总数是6000倍。我是否可以选择上一个时代的10个历元中的最高精度作为论文的精度，或者我该如何做呢？非常感谢!
浏览 0提问于2018-05-01得票数 0
回答已采纳
我有一个用tensorflow.keras库构建的基本CNN模型代码：
model = Sequential()
# First Layer
model.add(Conv2D(64, (3,3), input_shape = (IMG_SIZE,IMG_SIZE,1)))
model.add(Activation("relu"))
model.add(MaxPooling2D(pool_size = (3,3)))
# Second Layer
model.add(Conv2D(64, (3,3)))
model.add(Activation("relu")
浏览 1提问于2020-11-11得票数 2
回答已采纳
1回答
我正在做糖尿病视网膜病变的图像分类任务，用眼底图像数据。有5门课。数据分布为1805幅图像(1级)、370幅图像(2级)、999幅图像(3级)、193幅图像(4级)、295幅图像(5级)。下面是我尝试运行的步骤：
预处理(调整224 *224)列车与试验数据的间隔为85%：15%
x_train, xtest, y_train, ytest = train_test_split(
x_train, y_train,
test_size = 0.15,
random_state=SEED,
stratify = y_train
)
数据集成
ImageData
浏览 2提问于2021-03-15得票数 0
3回答
我的团队正在使用Tensorflow对CNN进行训练，以便对损坏/可接受的零件进行二进制分类。我们通过修改cifar10示例代码来创建代码。在我以前使用神经网络的经验中，我总是训练到损失非常接近于0(远低于1)。然而，我们现在正在评估我们的模型在训练期间使用验证集(在单独的GPU上)，似乎精度在大约6.7k步长后停止增加，而损失在超过40k步长后仍在稳步下降。这是由于过度拟合造成的吗？一旦损失非常接近于零，我们是否应该期望看到准确率的另一个峰值？当前的最大精度是不可接受的。我们应该杀了它，然后继续调优吗？你有什么建议吗？以下是我们修改后的训练过程的代码和图表。
浏览 2提问于2017-04-19得票数 29
我正在使用Keras来使用train_on_batch命令对我的CNN进行模拟图像的训练，可以得到训练的损失。下一次跑--我正在预测精度，并回忆使用我的预先训练的CNN (自己的体系结构)来预测我的结果，在那里我使用命令predictions =model.predict(np.array(图像)，batch_size=batch_size)将我的数据再分割成训练和测试数据集。
我希望得到验证损失，但我不确定如何做？
浏览 1提问于2020-01-23得票数 0
回答已采纳
4回答
损失与准确度的关系
、、、、
在训练CNN模型时，是否有可能在每一个时期减少损失，降低准确度？我在训练的时候得到了下面的结果。
有人能解释一下发生这种情况的可能原因吗？
浏览 3提问于2017-12-29得票数 11
回答已采纳
1回答
CNN架构之间有什么不同？(AlexNet，ConvNet，ResNet等)
我怎么能把他们区分开来？
因为我在互联网上遇到的大多数CNN对我来说都是一样的。
浏览 3提问于2017-10-23得票数 1
回答已采纳
1回答
我知道CNN和其他深度学习方法的算法复杂度不能完全用简单的术语来表达，比如大的哦复杂度。也就是说，如何将CNN的效率/复杂性与标准机器学习方法(例如决策树、LDAs、朴素贝叶斯等)进行比较？深度学习方法是昂贵的，但我们如何知道它们相对昂贵呢？
浏览 0提问于2017-07-11得票数 1
4回答
当人们试图用CNN解决语义分割任务时，他们通常会在训练过程中使用softmax交叉损失(参见)。但是，当涉及到比较不同方法的性能时，报告了交集超过并集等测量方法。
我的问题是，为什么人们不直接对他们想要优化的方法进行培训？在我看来，在培训期间进行某种衡量标准的训练是奇怪的，但评估基准的另一种衡量标准。
我可以看到IOU在训练样本方面有问题，因为类不存在(union=0和intersection=0 =>除以零)。但是，当我可以确保我的基本事实的每个样本都包含所有类时，是否还有其他不使用此度量的原因？
浏览 5提问于2016-11-08得票数 14
我正在训练一个分类器使用CNN在毕道尔。我的分类器有6个标签。每个标签有700个培训图像，每个标签有10个验证图像。批次大小为10，学习率为0.000001。每个类拥有整个数据集图像的16.7%。我已经训练了60个时代，建筑有三个主要层次：
Conv2D->ReLU->BatchNorm2D->MaxPool2D>Dropout2D
Conv2D->ReLU->BatchNorm2D->Flattening->Dropout2D
线性->ReLU->BatchNorm1D->Dropout，最后是一个完全连接和sof
浏览 1提问于2021-06-23得票数 1
在这里，我正在使用基于1D cnn的模型，我不理解模型学习曲线，因为测试/验证精度曲线是波动的，总体模型性能约为70%，相反，验证损失刚刚饱和和波动？我应该如何解释我的结果，我应该考虑哪些变化？
我使用过adam优化器。
浏览 2提问于2021-03-01得票数 0
我目前正在写关于人工智能推理的硬件和框架的BA论文.在我的研究中，我查找了TensorRT并找到了我不太明白的ab表。
遗憾的是，除了标题之外，没有其他真正的解释。我知道有不同的CNN模型，有不同的层数，直到一定程度上加起来，它将导致精度的提高，但很多层也会造成误差。
但我不明白它与fp32和int 8有什么关系，以及这张表想告诉我什么。如果有人能帮我出来就好了。我也不知道“再培训”是什么意思。
谢谢你的回答
浏览 9提问于2022-06-18得票数 -1
我正在colab上用32x32像素的图像进行图像分类实验；我有248张用于培训的图片和62张用于测试的图片(我知道这要少得多，但用于实验.)。只有两个类，我得到的数据如下：
train_datagen = tf.keras.preprocessing.image.ImageDataGenerator(
rescale=1./255,
shear_range=0.2,
zoom_range=0.2,
horizontal_flip=True)
training_set
浏览 4提问于2022-04-04得票数 0
列车/测试数据的形状是(样本，256,256，1)。训练数据集有大约1400个样本，验证数据集有150个样本，测试数据集有250个样本。然后，我建立了一个六目标分类任务的CNN模型。然而，无论我如何努力地调整参数和添加/删除层(conv和密集)，我得到了一个机会水平的准确性一直(约16.5%)。因此，我想知道我在建立模型时是否犯了一些致命的错误。或者数据本身有问题，而不是CNN模型。
代码：
def build_cnn_model(input_shape, activation='relu'):
model = Sequential()
# 3 Convolut
浏览 13提问于2022-11-21得票数 0
2回答
对于这样的网络架构：
+---+
input1--->| CNN | -------|
+---+ |
|
+---+ +-------+ +-------+
input2--->| CNN | ----| Concat|-----|----| VGG |---- Main_out
+---+ +-------+ | +-------+
浏览 62提问于2019-07-26得票数 1
我使用CNN的目的是使用我的500*500*3的汽车标识图像来检测汽车品牌。
model = models.Sequential()
model.add(layers.Conv2D(16, (5, 5), activation='relu', input_shape=(500, 500, 3)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(16, (5, 5),activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
m
浏览 0提问于2020-03-22得票数 0
回答已采纳
1回答
我训练过角星CNN模型。我后来使用了评估函数，它应该返回测试损失和测试准确性，但它只是返回损失。我怎样才能得到精确性？
score = model.evaluate(X_test, Y_test,verbose=0)
print(score[0])
IndexError: invalid index to scalar variable.
浏览 1提问于2018-05-24得票数 1
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
对象存储
腾讯会议
实时音视频活动推荐
腾讯云开发者
