当向预先训练的CNN添加层时，您是在开始添加还是在后面添加。它像队列还是堆栈？
当向预先训练的CNN添加层时，一般是在后面添加层。这是因为卷积神经网络（CNN）是一种层叠的结构，每一层都对输入数据进行特征提取和转换。在预先训练的CNN中，通常已经包含了一些卷积层和池化层，这些层已经学习到了一些低级和中级的特征。
通过在预先训练的CNN的后面添加新的层，我们可以进一步扩展网络的能力，引入更高级的特征表示。这些新添加的层可以是全连接层、归一化层、Dropout层等。通过在后面添加层，我们可以利用预先训练的网络已经学到的特征，并在此基础上进一步提取更高级的特征。
在这个过程中，我们可以将添加层的操作类比为堆栈。每次添加新的层，都会将其放置在已有层的顶部，形成一个层叠的结构。这样做的好处是，新添加的层可以直接利用前面层已经学到的特征，从而更好地适应当前任务。
需要注意的是，添加层的顺序和具体的网络结构设计是有关的，不同的任务可能需要不同的层次结构和层的顺序。因此，在实际应用中，需要根据具体情况进行调整和优化。
推荐的腾讯云相关产品和产品介绍链接地址：
- 腾讯云AI计算平台：https://cloud.tencent.com/product/ai
- 腾讯云云服务器（CVM）：https://cloud.tencent.com/product/cvm
- 腾讯云人工智能服务：https://cloud.tencent.com/product/ai_services
- 腾讯云视频处理服务：https://cloud.tencent.com/product/vod
- 腾讯云物联网平台：https://cloud.tencent.com/product/iotexplorer
- 腾讯云移动开发平台：https://cloud.tencent.com/product/mobdev
- 腾讯云对象存储（COS）：https://cloud.tencent.com/product/cos
- 腾讯云区块链服务：https://cloud.tencent.com/product/baas
- 腾讯云元宇宙解决方案：https://cloud.tencent.com/solution/metaverse
相关·内容
1回答
我在Keras中使用卷积神经网络(CNN)进行语义分割(图像像素的多类分类)。
特别是，我正在将此应用于农作物(植被)的航空图像。在Keras中，我成功地开发了一个工作流，用于为一个特定的数据集划分/分类不同的作物(让我们将这个数据集称为rural area #1)。
我可以应用在rural area #1上训练的Keras权重来初始化另一个dataset rural area #2的培训吗？例如：
model = load_model("weights_ruralarea1.hdf5")
然后我将继续到model.fit。
rural area #2数据集几乎没有训练图像来训
浏览 0提问于2018-02-08得票数 3
回答已采纳
你能建议我一个经过训练的CNN模型，它是在一个更大的数据集上训练的，它支持输入图像大小>400x400像素吗？
在我的例子中，我有非常薄的结构，如果我将图像重放到标准大小(例如，224x224 )，我就会松开这些结构。
浏览 5提问于2016-04-22得票数 4
回答已采纳
2回答
如何正确训练扩展数据集
、、、
我训练了我的分类器，在每幅图片上混合了几个类，例如A。分类器能够(几乎)正确地分割图像上的这些类。
现在我得到了更多显示G类图片的数据，为了最小化我的工作，我只在图像上标记了G类，而其他的则没有显示出来(无效)。
我的训练有两个问题：
如果在我的第一个数据集中没有G类的例子(因为它可能是A的子类)，我如何正确地训练它？建议的解决方案:我可以将我的新数据添加到旧的数据中，但是当有G类图像时，我必须告诉CNN，因为我必须以某种方式改变CNN的误差测量。但是怎么做呢？
如果G包含在我的第一个数据集中(假设G是“警车”，而B是“汽车”，但是有些图像显示了警车)，那么在这种情况下，我该如何训练呢？
浏览 0提问于2017-02-14得票数 1
我想要创建一个CNN模型，使用隐藏层的连接两个预先训练的模型Resnet和VGG16。
浏览 2提问于2022-08-22得票数 -4
1回答
CNN与CTC损失
、、、、
我想使用预先训练的CNN模型(ResNet50，VGG等)提取特征，并使用CTC损失函数来使用这些特征。 我想把它构建为一个文本识别模型。 有谁知道我该如何做到这一点吗？
浏览 19提问于2020-04-13得票数 0
2回答
我目前想训练一个CNN，但我有两个小的数据集略有不同，因为相机的设置，捕捉到的图像。我感兴趣的是，最终把神经网络调到相机的一个装置上，然后从现在开始使用这个网络来安装。
由于在此期间我无法扩展我的数据集，我意识到我需要使用这两个训练数据集来获得足够的可变性。所以我想知道什么方法可能更好--我应该把这两个数据集结合起来并训练CNN，还是应该在一个数据集上进行训练并将其细化到第二个数据集？还是我应该用另一种方法？
浏览 0提问于2020-05-04得票数 0
1回答
目标检测中的骨干网络
、、、
我试图理解一个对象去动作深度挖掘算法的训练过程，并且我对如何训练主干网(执行特征提取的网络)有一些问题。
我知道使用AlexNet、VGGNet和ResNet这样的CNN是很常见的，但我不知道这些网络是否经过预先培训。如果他们没有受过培训，培训包括哪些内容？
浏览 5提问于2021-04-02得票数 1
回答已采纳
1回答
假设我们有3类图像训练:1.猫，2.狗，3.不是猫也不是狗。我们只关心一张图像是否是猫/狗，或者两者都不是，但我们不在乎它是猫还是狗，只是这两者之一。
把狗和猫类合并成一个单一的“正面”类，而不是训练三级CNN，这本身就“更好”吗？
如果是的话，那麽，如果我们真的关心图像是狗还是猫，最好先运行二进制分类器来判断它是否狗/猫，然后再运行第二个二进制分类器，只训练猫和狗来决定它实际上是哪一个？
浏览 0提问于2017-11-07得票数 4
1回答
我在考虑创建一个CNN。现在大家都知道CNN需要很长时间来训练，所以最好坚持已知的结构和超参数。
我的问题是:我想修补CNN的架构(因为这是一项专门的任务)。一种方法是创建CNN并检查小的数据集，但这样我就无法知道最终完全连接的层是否过度拟合数据，而卷积层却什么也不做(因为大FC层很容易过度拟合数据)。交叉验证是一种检查它的好方法，但它可能并不令人满意(因为我的观点是，如果数据集足够小且未来的数据集几乎没有变化，那么CNN可以被完全连接的NN替换)。
那么，在合理的训练时间内，有什么方法可以真正修补CNN，并为未来的数据集提供一个很好的估计呢？我以前的假设是错的吗？一个详细的答案会很好！
浏览 0提问于2018-08-12得票数 0
我有三个关于微调字向量的问题。求你帮帮我。我会很感激的！事先非常感谢！
当我训练我自己的CNN进行文本分类时，我使用Word2vec初始化单词，然后我使用这些预先训练过的向量作为我的输入特性来训练CNN，所以如果我没有嵌入层，它肯定不能通过反向传播进行任何细调。我的问题是，如果我想做微调，它是否意味着创建一个嵌入层?以及如何创建它？
当我们训练Word2vec时，我们使用无监督的训练，对吗？就像在我的例子中，我使用跳过图模型来获得我预先训练过的word2vec；但是当我拥有vec.bin并使用它作为我的单词缩写词时，如果我能够在vec.bin中微调单词到向量地图，这是否意味着我必须有一
浏览 13提问于2016-10-20得票数 5
2回答
我正在设置一个fit_generator来训练一个由keras训练的DNN。但我不知道如何在这台发电机里使用CNN。
基本上，我有一个经过预先训练的图像生成器，它使用完全连接的卷积网络(我们可以将它命名为GEN)。现在，我想在我的fit_generator中使用这个完全-CNN来生成无限数量的图像来训练另一个分类器(称为类网)。但它总是毁了我的训练，错误信息是：
ValueError:张量张量(“解码器/变换输出/mul:0”，shape=(?，128,128，1)，dtype=float32)不是这个图的一个元素。
这个“解码器/转换输出/mul:0”是我的CNN GEN-NET的输
浏览 0提问于2019-05-06得票数 0
1回答
使用keras检测小自定义对象
、、、、
我想用神经网络检测图像中的小物体(9x9px)(约1200x900)。在网上搜索时，我发现了几个带有keras代码的网页，使用自定义层进行自定义对象分类。在这种情况下，我了解到您需要提供单独对象的图像。虽然训练很好，而且分类也很正确，但不幸的是，我还没有找到如何加载这个经过训练的网络，以便在我的大图像中找到对象。
另一方面，我发现我可以使用cnn类在cv中，如果我从Yolov3网络加载怪胎。在这种情况下，我为大图像提供了适当的注释，但是网络没有经过良好的训练.
在这种情况下，有谁能告诉我如何在cnn中加载经过定制网络培训的怪胎，以及如何训练它呢？
浏览 0提问于2019-08-03得票数 2
回答已采纳
2回答
我对卷积神经网络(CNNs)很感兴趣，它是一个计算广泛的应用程序，适合使用可重构硬件(例如FPGA)进行加速。
为了做到这一点，我需要检查一个简单的CNN代码，我可以用它来理解它们是如何实现的，每一层的计算是如何进行的，每一层的输出是如何馈送到下一层的输入的。我熟悉理论部分()
但是，我对训练CNN不感兴趣，我想要一个完整的，自包含的CNN代码，它是预先训练的，所有的权重和偏差值都是已知的。
我知道有很多CNN库，比如Caffe，但问题是没有一个简单的示例代码是自包含的。甚至对于最简单的Caffe示例"cpp_classification“，许多库都会被调用，CNN的体系结构被表示为.
浏览 4提问于2016-04-16得票数 13
回答已采纳
我想尝试使用一些预先训练的CNN模型与Keras库(例如，异常，ResNet50等)进行特征提取。我试图找出我的数据集的输入维数是否需要匹配用于训练原始CNN的图像的维数。
例如，我是否应该使用对210x210 RGB图像进行预培训的网络模型，这是否意味着如果我想使用它进行特征提取，网络只会处理相同维数的图像(即(210,210，3))吗？还是在这方面有一定的灵活性？
尝试搜索Google并检查Keras文档，但是没有找到关于这个问题的明确答案！如果在这方面有经验的人提供任何意见，我将不胜感激。
浏览 7提问于2017-09-01得票数 3
回答已采纳
1回答
训练不同输入形状的序列模型
、、、、
我有一个预先训练的序列CNN模型，我训练了224x224x3的图像。结构如下：
model = Sequential()
model.add(Conv2D(filters = 64, kernel_size = (5, 5), strides = 1, activation = 'relu', input_shape = (224, 224, 3)))
model.add(MaxPool2D(pool_size = (3, 3)))
model.add(Dropout(0.2))
model.add(Conv2D(filters = 128, kernel_size = (3
浏览 3提问于2021-04-07得票数 1
回答已采纳
1回答
假设我有一个CNN训练的应用程序来预测猫和狗，用户输入一个苹果的图像，我的CNN预测苹果是猫还是狗。如何让我的应用程序告诉我，用户输入了错误的图像，而不是做出预测？
很想知道你们是如何处理类似情况的。
浏览 0提问于2021-01-14得票数 0
1回答
首先，我想知道什么是不可训练参数的原因？第二，如何消除它们？
我使用了一个组合的CNN-RNN，它返回了130个不可训练的参数.
提前谢谢你。
浏览 0提问于2021-08-08得票数 0
1回答
我正在给我的CNN提供2048x2048的图像尺寸。但是，我意外地忘记了更改输入的大小：
img_width, img_height = 32, 32
input_shape = (3, img_width, img_height)
我想知道为什么即使输入图像大于32x32像素，训练仍然运行？还是CNN只识别了部分图像？
提前谢谢。
浏览 2提问于2018-05-24得票数 0
1回答
我对迁移学习还是个新手。我计划使用YOLO来完成CNN监督下的回归任务。给定一张图片，预测它将被查看的次数。我倾向于使用YOLO，因为它是一个对象检测器。高浏览量的照片大多包含对象(人脸、动物、文本等)，这些对象是YOLO最初训练的COCO数据集中的类。 我已经尝试使用预先训练好的CNN模型(VGGNet、MobileNet等)。使用冻结的权重，但效果不好。微调预训练模型的选项是不可能的，因为我没有计算资源来使用100K+图像训练x个时期，只是为了为我的问题创建一个好的模型。
浏览 26提问于2021-09-12得票数 0
在卷积神经网络中，增加核的大小是否会带来更好的训练集精度？例如，如果我在CNN中使用5x5内核而不是3x3内核，它是否总是产生更好的训练准确性？
增加内核大小意味着有效地增加参数的总数。因此，期望该模型具有较高的求解给定问题的复杂性。因此，它应该表现得更好，至少在一个特定的培训集。还是更难学习一个更大的内核？
我不担心这里的验证集的准确性。
浏览 0提问于2019-05-30得票数 6
2回答
我正在阅读一些基于神经网络的研究论文，在那里我偶然发现了经过预先训练的CNN网络的“微调”这个词。它实际上是做什么的？
浏览 0提问于2019-06-20得票数 0
回答已采纳
2回答
在CNN中保存和恢复
、、、
我是tensorflow的初学者，在卷积神经网络中，我有一个关于保存和恢复检查点的问题。我正试图创建CNN来分类人脸。我的问题是：
如果可以在dataset中添加新类进行部分培训？所以我只想重新训练新的班，而不是重新训练洞网。是否有可能恢复以前的训练中的重量和偏倚，只训练新班？
我用的是拯救
saver = tf.train.Saver(tf.all_variables())
save = saver.save(session, "/home/owner//tensorflownew_models.ckpt")
print("Model saved in file:
浏览 2提问于2016-09-12得票数 0
回答已采纳
1回答
CNN凯拉斯:将训练多少个重量？
、、、、
我对CNN的理解有点问题。我不太确定有多少过滤器和重量被训练。
示例:我有一个32x32像素和3个通道的输入层(即(32,32,3)的形状)。现在我使用了一个二维卷积层和10个形状的(4,4)滤波器。因此，我最终得到了10个通道，每个通道的形状都是(28,28)，但是现在是为每个输入通道训练一个单独的过滤器，还是它们是共享的呢？我是训练3x10x4x4还是训练10x4x4？
浏览 1提问于2018-06-05得票数 3
回答已采纳
我在TensorFlow中使用具有两个卷积层的CNN，一个完全连接的层和一个线性层来预测对象的大小。标签是大小，特征是图像。
为了评估网络的性能，我使用了五重交叉验证。使用TensorBoard我绘制了训练集和交叉验证集的准确性。
两种方法的准确率都有所提高，但交叉验证准确率的提高速度较慢。考虑到精度上的差异是由于模型过拟合，我尝试使用L2正则化来正则化权重。但是，这只是降低了训练精度，而交叉验证精度的趋势保持不变。交叉验证准确率始终保持在50%以下。
有没有人可以推荐一些我可能考虑的方法来提高交叉验证的准确性，从而提高模型的预测能力？非常感谢。
训练精度为灰色，交叉验证精度为绿色。
训练精度
浏览 3提问于2018-09-07得票数 0
我采用了一个经过预训练的CNN模型，然后尝试实现一个CNN-LSTM，其中所有并行CNN网络都具有来自预训练的相同权重。
# load in CNN
weightsfile = 'final_weights.h5'
modelfile = '2dcnn_model.json'
# load model from json
json_file = open(modelfile, 'r')
loaded_model_json = json_file.read()
json_file.close()
fixed_cnn_model = keras.m
浏览 2提问于2018-03-05得票数 4
2回答
连接数据的ConvNet
、、、
我有一个关于卷积神经网络的基本问题。假设我有一组1000个RGB图像，并从这组图像中训练一个CNN。显然，我可以将我的每个RGB图像分割成3个不同的灰度图像，每个表示红色、绿色和蓝色数组--从而创建了3000幅灰度图像。
我的问题是:如果我从3000张灰度图像中训练CNN，我会从第一个CNN得到相同的参数吗？更准确地说，当我们用RGB图像给它喂食时，CNN是如何表现的呢？它是从RGB图像中提取合并的特征，还是只分别学习每个R、G、B通道中的特征？
浏览 0提问于2019-08-07得票数 3
1回答
为了将医学专业知识与深度学习结合起来，我想将代表同一CT图像的不同地图的多个图像组合在一个张量中。 假设我们从下面的CT图像开始： ? 我们可以手工制作这个特定图像的不同映射(即转换)，以体现相关的医学诊断知识。 因此，我们可能最终得到从1开始的10个2D灰度图像，然后我们可以将其打包为3D张量。 在公共领域(例如Keras)使用这些具有10个通道(而不是3- R-G-B)的3D图像作为输入，利用经过训练的DL CNN模型，是否可以使用迁移学习？ 如果是，是如何实现的？如果不是，还有其他选择吗？
浏览 26提问于2019-10-03得票数 2
我的工作是训练CNN在傅立叶领域。为了加速训练，我想在训练之前先对整个数据集进行fft，并将这些数据输入顺序模型。但是在模型的第一层，即自定义的Keras层，训练数据显示为float32数据类型。序列模型只接收实际输入数据吗？谢谢。
浏览 0提问于2019-03-28得票数 1
回答已采纳
我有一个cnn模型： model = Sequential()
model.add(Convolution2D(32, (3, 3), activation='relu', input_shape=(n_rows,n_cols,1)))
model.add(Convolution2D(32, (3, 3), activation='relu'))
model.add(AveragePooling2D(pool_size=(1,3)))
#...
model.add(Flatten())
model.add(Dense(1024, activation=
浏览 18提问于2020-04-10得票数 0
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
将图像和标量输入结合到神经网络中
、、、、
我正在寻找将CNN与图像输入和标量值相结合的最佳方法。
我知道其中一种方法是用这个标量值连接扁平层。但是扁平层包括例如2048这样的标量值，其大小与单个输入值不同。如果在实际任务中，这个标量值比图像具有更大的影响。其中一个例子是一个文本和图像的组合，然后在此基础上进行一些融合，但我仍然认为这是一个有点不同的任务，因为从文本模型和CNN网络中得到的向量是完全相同的。另一种解决方案是应用一些ml算法，比如CNN平面层上的Xgboost和这个标量值。但在这种情况下，我们需要单独训练CNN网络，这是不好的。
有人能告诉我什么是把图像输入和标量值结合起来的最好方法，这样我就可以将CNN网络和标量输入一起
浏览 0提问于2018-08-03得票数 2
您将如何优化经过预先培训的neural network，以将其应用于单独的问题？你会在预先训练过的模型中增加更多的层，并在你的数据集上测试它吗？
例如，如果任务是使用CNN对壁纸组进行分类，我确信直接对经过培训的关于图像猫和狗的网络进行分类是行不通的，尽管两者都是图像分类器。
浏览 0提问于2018-02-27得票数 12
为了进行优化，您将使用来自CIFAR-100数据集的“bus”和“tiger”类的数据。您的任务是了解如何对预先训练的CNN模型进行微调，使用训练数据(我认为每个类有500张图像)“bus”和“tiger”类对网络进行微调，并使用相同2个类的测试数据(每个类100张图像)验证准确性。可以在预先训练的模型的所选层上执行微调。当您微调最后一层、最后两层、最后三层、最后四层和所有五层时，需要记录测试精度
我的第一个问题是如何只使用cifar100中的总线和老虎来训练模型？第二个问题是如何微调最后一层，最后两层等。
我正在进行CIFAR10的预训，然后想在公交车和老虎上使用，从cifar100到fin
浏览 3提问于2019-11-14得票数 2
作为背景，我对机器学习的世界比较陌生，我正在尝试一个项目，其目标是对NBA比赛中的比赛进行分类。我的输入是一场NBA比赛中每场比赛40帧的序列，我的标签是每一场比赛的11种全面分类。
该计划是将每一帧序列，并将每帧传递到CNN，以提取一组特征。然后，从一个给定的视频的每一个特征序列将传递到一个RNN。
我目前正在使用Keras作为我的大部分实现，我选择使用VGG16模型为我的CNN。以下是一些相关代码：
video = keras.Input(shape = (None, 255, 255, 3), name = 'video')
cnn = keras.application
浏览 0提问于2017-07-29得票数 4
例如，我用0.0003和10个时代的学习率训练了一个CNN，它的小批量大小为32。在训练之后，让我说我的准确度是0.7。现在我想调整学习速度和小批量大小，并尝试再次训练它，看看精度如何变化，使用trainNetwork Matlab函数。我的问题是，它是从零开始训练模型，还是使用先前计算的权重来训练它们？我希望它从零开始，以防止过度适应每次我调整超参数。抱歉，如果这是直觉的话，我只是想确认一下。
浏览 12提问于2022-05-06得票数 0
回答已采纳
1回答
我正在训练一个卷积神经网络来分类雾条件下的图像(3类)。然而，对于大约150.000张图像，我还提供了四个气象变量，它们可能有助于预测图像的类别。我想知道如何将气象变量(如温度、风速)添加到现有的CNN结构中，以便有助于分类。
我已经想到的一种方法是在CNN旁边创建另一个(小的)前馈神经网络，然后将CNN层的输出和非图像神经网络的隐藏层在密集层相互连接。
我能想到的第二种方法就是将这些特征与致密层联系起来。然而，在这种情况下，非图像变量(我认为)只能进行线性预测。
是否有其他(更好的)方法可以将非图像特征包括在模型中？考虑到我拥有的数据量，什么是最好的方法？
我的另一个问题是，是否应该解冻卷积
浏览 0提问于2018-05-08得票数 23
回答已采纳
1回答
我在凯拉斯为CNN做了一个模型。我想保存这个模型，并将这个经过训练的模型用于转移学习，作为一个预先训练的模型。我不明白怎样才是正确的方法来保存这个模型，以便将它用于转移学习。同样，如何在Keras中加载经过预先训练的模型，以便在加载之前的模型后添加一些层。
，这是我构建的模型
model_cnn = Sequential() # initilaizing the Sequential nature for CNN model
# Adding the embedding layer which will take in maximum of 450 words as input an
浏览 2提问于2021-06-30得票数 0
回答已采纳
因此，据我所知，转移学习是指在有大量数据的数据集上训练模型，然后保留大部分经过训练的系数，并且只对数据集上的最后一层进行重新训练，以解决有少量数据的问题。
CNN的特征提取意味着你有一个从图像中提取特征的通用模型，然后你只需要训练最后一层来解决图像上的一个特定问题。
那么，特征提取只是一个特定的情况，还是有一些微妙的地方我不明白？
浏览 0提问于2020-10-02得票数 1
在CNN中使用预先训练过的嵌入(快速文本)的句子分类中，当单词不在训练集时，CNN如何预测句子的类别？
我认为经过训练的模型包含了权重，这些权重在预测阶段没有更新，是吗？那么，当训练中没有看到句子中的单词( cnn将预测一个类别)时，会发生什么情况呢？我认为他们没有一个字向量，只有在训练中找到的单词。
浏览 0提问于2020-08-09得票数 0
2回答
我目前正在尝试用卷积神经网络学习一次性学习。根据这个视频，我使用的CNN应该是在MNIST上预先训练过的.为什么CNN必须接受预先训练？
浏览 0提问于2018-08-16得票数 4
1回答
用于微调的图像预处理
、、、
当你微调一个像ResNet，VGG，EfficientNet等的CNN，并且你想用你自己的图像训练模型，或者即使你想用你的数据集的任何图像进行推断时，你是否必须对你的图像做同样的预处理步骤，比如用相同的均值减去相同的值来训练这个模型？还是没有必要取得好的结果？
谢谢。
浏览 0提问于2021-09-27得票数 1
回答已采纳
2回答
在卷积神经网络中，我正在训练CNN，在训练过程中，特别是在训练开始时，我得到了非常高的训练误差。在那之后，这个误差开始慢慢下降。在大约500个时期之后，训练误差接近于零(例如0.006604)。然后，将最终得到的模型与测试数据进行比较，得到的准确率约为89.50%。这看起来正常吗？我的意思是在我的训练过程一开始就有很高的训练错误率。我想提的另一件事是，我注意到，每次我减少隐藏节点的数量，结果在我的训练结束时会变得更好。
我的CNN结构是：
config.forward_pass_scheme = {'conv_v', 'pool', 'conv_v&#
浏览 5提问于2016-03-16得票数 1
2回答
从较低的fc层微调CNN
、、、、
我注意到，CNN对新数据集的大多数微调只在“最后”完全连接(fc)层上进行。
我对从“第一层”完全连接的层进行微调感兴趣:也就是说，我想使用卷积和池层的中间特性(假设它是在ImageNet上训练的)，然后将所有fc层安装到我的新数据集中。
从理论上和实践上看，这会产生什么效果呢？它是否可能为我的新数据集学习一组更合适的参数？
浏览 5提问于2015-09-12得票数 2
回答已采纳
1回答
我正在尝试构建一个Keras模型，以实现在文章中解释的方法。
我的实现的上下文：
我有两种不同类型的数据，它们代表需要分类的同一组类(标签)。第一类是图像数据，第二类是脑电数据(时序序列)。
我知道要对图像数据进行分类，我们可以使用这样的CNN模型：
model.add(Conv2D(filters=256, kernel_size=(11,11), strides=(1,1), padding='valid'))
model.add(Activation('relu'))
model.add(Dense(1000))
model.add(Activation(
浏览 2提问于2022-03-24得票数 1
有没有可能训练一个图像尺寸大于299x299的Tensorflow Inception V3模型？似乎盗梦空间V3 CNN只为这种图像尺寸而设计。
浏览 13提问于2018-02-10得票数 0
我试着用GridLSTM和MLP/CNN训练图像。
因此，基本上，我想尝试的是输入一个图像到一个GridLSTM，然后把它的输出和输入到MLP/CNN作为下一层。
例如：
2-D image -> GridLSTM -> MLP or CNN -> GridLSTM -> MLP or CNN -> Output
我试着运行GridLSTM的示例代码和Cifar10上的教程(用于CNN)。
但这两个例子的输入和输出都是不同类型的( GridLSTM列表和CNN张量)。
我想知道是否有可能把GridLSTM和MLP/CNN放在一起。
浏览 2提问于2016-09-22得票数 1
回答已采纳
我有一个我的CNN的结构，将用于图像增强。我想知道如何使用Matlab中的Caffe软件包来设计和训练网络。我不需要从Caffe导入预先训练的网络，因为我有一个特定的CNN结构。有没有人有一个链接或例子来指导我怎么做呢？任何帮助都将不胜感激。
浏览 16提问于2020-06-11得票数 0
1回答
最近，我读了一些cnn的报纸，包括。在传统的cnn方法中，每一层都是如此。conv_layers，fc_layers，需要训练来优化权重和过滤核。
我想知道一件事(这是我搞不懂的，我的问题是)，应该训练用于反褶积层的滤波器吗？或者他们只是使用相同的滤波器前相应的卷积层，而不需要训练？提前感谢！
浏览 2提问于2016-10-21得票数 0
回答已采纳
2回答
我正在努力训练cnn的面部性别和年龄检测模型。我的训练集包含彩色和灰度的面部图像。如何规范此数据集？或者如何处理混合灰度图像和彩色图像的数据集？
浏览 4提问于2018-01-13得票数 4
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
即时通信 IM
实时音视频活动推荐
腾讯云开发者
