我们可以将Keras输入形状中的特征设置为可变而不固定吗？
是的，Keras允许我们将输入形状中的特征设置为可变而不固定。这在处理具有可变长度输入的任务时非常有用，例如自然语言处理中的文本分类或序列标注。
在Keras中，我们可以使用None来表示可变的维度。例如，对于一个二维的输入张量，我们可以将其形状设置为(None, input_dim)，其中input_dim表示特征的维度。这样，我们可以在训练和推理过程中使用不同长度的输入。
设置输入形状为可变有以下优势：
- 适应不同长度的输入：对于处理可变长度序列的任务，如文本分类，我们可以接受不同长度的输入文本，而不需要进行预处理或填充。
- 节省内存和计算资源：对于固定长度的输入，我们需要为每个样本分配相同大小的内存，而对于可变长度的输入，我们只需要为实际长度分配内存，节省了资源。
- 灵活性和通用性：可变输入形状使得模型更加通用，可以处理各种长度的输入数据，而不仅仅局限于固定长度的情况。
以下是一些应用场景和腾讯云相关产品的介绍链接：
- 文本分类：对于处理可变长度的文本分类任务，可以使用Keras的可变输入形状功能。腾讯云相关产品：腾讯云自然语言处理（NLP）
- 序列标注：对于处理可变长度的序列标注任务，如命名实体识别，可以使用Keras的可变输入形状功能。腾讯云相关产品：腾讯云自然语言处理（NLP）
- 语音识别：对于处理可变长度的语音识别任务，可以使用Keras的可变输入形状功能。腾讯云相关产品：腾讯云语音识别（ASR）
- 图像分类：对于处理可变大小的图像分类任务，可以使用Keras的可变输入形状功能。腾讯云相关产品：腾讯云图像识别（AI）
请注意，以上链接仅为示例，具体的产品选择应根据实际需求和情况进行评估。
相关·内容
1回答
我有一个保存的模型，我对一个小的文本(消息)数据语料库进行了训练，并且我试图使用相同的模型来预测另一个语料库上的积极或消极情绪(即二进制分类)。我基于GOOGLE指南建立了NLP模型，您可以在这里查看它(如果您认为有用的话--我使用了选项A)。
我不断地得到一个输入形状错误，我知道这个错误意味着我必须重塑输入以适应预期的形状。然而，我想预测的数据并不是这么大。错误声明是：
ValueError: Error when checking input: expected dropout_8_input to have shape (519,) but got array with shape (1
浏览 1提问于2019-11-15得票数 0
我正在使用一个用Keras实现的CNN，它在某种程度上有一个扁平层。现在，我的目标是允许不同的输入形状的图像。所以我的第一个conv。层看起来像这样：
model.add(Conv2D(...., input_shape=(None, None, 1))
好吧，在这个设置中，我的扁平层变得不高兴，并告诉我指定输入形状。因此，我目前使用的是GlobalMaxPooling层，我希望避免这样的情况。
毕竟，为什么扁平层会为宽度和高度而烦恼？
背景:我试着训练一个用于分类的网络(较小的分辨率)，然后使用这个网络进行目标检测(较高的分辨率)
谢谢
浏览 13提问于2018-08-17得票数 0
回答已采纳
4回答
我试着用两个类训练一个图像分类器，这是我的神经网络。
model=Sequential()
model.add(tf.keras.layers.Conv2D(3,(3,3),activation="relu"))
model.add(tf.keras.layers.Conv2D(32,(3,3),activation="relu"))
model.add(tf.keras.layers.Conv2D(16,(3,3),activation="relu"))
model.add(tf.keras.layers.Conv2D(8,(3,3),acti
浏览 1提问于2020-08-23得票数 0
回答已采纳
1回答
我对Keras很陌生，我发现很难理解LSTM layer.The Keras文档中输入数据的形状，因为输入数据应该是带有形状的3D张量(nb_samples、timesteps、input_dim)。我很难理解这种格式。timesteps变量是否表示网络记住的时间步骤的数量？
在我的数据中，几个时间步骤会影响网络的输出，但我不知道提前了多少次，也就是说，我不能说前10个样本会影响输出。例如，输入可以是构成句子的单词。每个句子中的单词之间有着重要的关联。我不知道这个句子的长度，这个长度也因句子的不同而不同。我知道句子什么时候结束(也就是说，我有一个句号表示结尾)。两个不同的句子对另一个没有影响-
浏览 2提问于2017-10-07得票数 0
1回答
在Keras中，如果我想在我的LSTM模型上预测多个实例，这些实例基于来自训练数据的独立数据和新数据，那么输入数组是否需要包括训练中使用的时间步长？如果是这样的话，我能期望model.predict的输入数组的形状与训练数据相同吗？(即要预测的样本数量，它们的时间步长，它们的特征)？ 谢谢您:)
浏览 44提问于2021-04-12得票数 3
2回答
我正在尝试keras.layers.LSTM，下面的代码可以工作。
#!/usr/bin/python3
import tensorflow as tf
import numpy as np
from tensorflow import keras
data = np.array([1, 2, 3]).reshape((1, 3, 1))
x = keras.layers.Input(shape=(3, 1))
y = keras.layers.LSTM(10)(x)
model = keras.Model(inputs=x, outputs=y)
print (model.predi
浏览 0提问于2019-09-07得票数 0
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
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
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.model_selection import train_test_split
import tensorflow.keras as keras
dataset = pd.read_csv('C:\\Users\\Maxie\\MyStuff\\FinalDatasetEng.csv')
inputs = dataset.iloc[:, 2:54].values
targets = dataset.iloc[:
浏览 9提问于2021-06-06得票数 0
回答已采纳
1回答
首先，我对神经网络和Keras非常陌生。
我试图用Keras创建一个简单的神经网络，其中输入是一个时间序列，输出是另一个相同长度的时间序列(一维向量)。
我制作了虚拟代码，使用Conv1D层创建随机输入和输出时间序列。然后，Conv1D层输出6个不同的时间序列(因为我有6个过滤器)，下一个层我定义了将所有6个输出添加到一个输出到整个网络中。
import numpy as np
import tensorflow as tf
from tensorflow.python.keras.models import Model
from tensorflow.python.keras.layers
浏览 0提问于2018-08-14得票数 1
回答已采纳
我正在加载 (23094，71,768)，(23094，19,282)的预训练模型.
当我传递形状为(29116，72,768)的新X值时，当检查输入时会出现错误:期望的lstm_1_input具有形状(71,768)，但得到与形状(72,768)的数组。
这是我的模型总结:模型："sequential_1“
图层(类型)输出形状参数
lstm_1 (无，71,256个) 1049600
lstm_2 (无，71，64) 82176
lstm_3 (无，32) 12416
dense_1 (稠密)(无，5358) 176814
reshape_1 (重塑)(无，19,282)
浏览 2提问于2020-04-06得票数 0
对于修改后的U-Net体系结构的输入维度，我有一两个问题。为了节省您的时间，并更好地理解/再现我的结果，我将张贴代码和输出维度。修改后的U-Net体系结构是的体系结构.并且是基于本文的，请不要被这段代码的长度所关闭。你可以简单地复制粘贴它，它不应该超过10秒来复制我的结果。此外，您也不需要一个数据集。用TF.v1.9 Keras v.2.20测试。
import tensorflow as tf
from tensorflow.keras.layers import Input, Conv2D, MaxPooling2D, Conv2DTranspose, concatenate, Batch
浏览 0提问于2020-02-04得票数 2
回答已采纳
我正在工作与千层面和西亚诺的一个项目，需要创建一个定制层。然而，该层的输出并不取决于输入的大小，而是取决于输入的值.我知道keras (只有tensorflow后端)提供了lambda层的可能性，我成功地编写了一个表达式，它允许我根据输入的值获得输出。但我不知道用千层面和西亚诺做这件事是否可能。
例如:如果我的输入张量有固定大小的100个值，但我知道在最后可能有一些0值，这些值根本不影响网络的输出，我如何才能删除这些值，只让带有信息的值进一步到达下一层呢？我想尽量减少网络所需的空间:)
有可能会有这样的一层千层面吗？如果是这样，我应该如何编写get_output_shape_for()方法？如
浏览 3提问于2017-04-23得票数 0
回答已采纳
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
2回答
我很难理解CNN中2个或更多个卷积层(每个卷积层后面是一个池化层)的工作方式。
假设输入是3通道300x300图像。如果第一卷积层具有32个卷积层，并且第二层具有64个卷积层，则第一层创建32个特征图。但是第二层创建了多少个特征图呢？64个卷积中的每个卷积是否都作用于之前生成的32个特征图，从而总共创建32*64 = 2048个特征图？或者发生了其他事情？
与这个问题相关的一个简单代码是：
model = keras.models.Sequential([
keras.layers.Conv2D(32, (3, 3), activation='relu', input_shap
浏览 1提问于2020-08-02得票数 4
我在Keras工作(Tensorflow 2)。我想将张量的每个元素与其自身的可训练权重相乘。假设我的输入张量是1D，有10个元素；所以我尝试将输入定义为Keras输入张量，将权重定义为tf.Variable，并尝试使用Keras乘法层，如下所示： import tensorflow as tf
inputs = tf.keras.layers.Input(shape=(10), name='inputs')
weights = tf.Variable(tf.random.normal([10]), name='weights')
outputs = tf.k
浏览 30提问于2020-04-25得票数 0
回答已采纳
1回答
如何处理Keras中的大图像？
、、、、
我正在研究Keras上的机器学习问题。我的目标是训练输入为(4214, 22311)矩阵，输出为(22311,)向量的模型。
这样的二维数据可以作为图像输入来处理，但大多数图像分类器只对形状(200, 200)的小图像进行分类。
我尝试了几种在Keras上建立模型的方法，例如CNN、双向LSTM或简单的神经网络(平坦和密集)。但它们都不起作用。
我没有完成一个时代就接受了killed。所以我想知道什么样的结构能处理这么大的输入。
浏览 3提问于2017-09-21得票数 0
回答已采纳
我的原始数据集是形状(210,8)，我试图给这7个独立变量作为我的神经网络的输入，看看它们属于哪一类/类别。类/类别是Target变量。
我分离了自变量，并将它们作为数组存储在'df_test‘中
df = pd.read_csv('https://raw.githubusercontent.com/siiddd/WheatSeeds/master/Wheat.csv')
features = ['Area', 'Perimeter', 'Compactness', 'Length of Kernel',
浏览 1提问于2020-08-19得票数 2
1回答
我尝试从我的LSTM模型中预测一个结果
我的模型有n_features = 32和time_step = 100，代码如下
model = tf.keras.Sequential([
tf.keras.layers.InputLayer( input_shape=(time_step , n_features)),
tf.keras.layers.LSTM(64),
tf.keras.layers.Dense(1)]
)
我使用生成器训练我的模型
generator = TimeseriesGenerator(x_feature,y_target,length=time_st
浏览 0提问于2020-03-21得票数 0
我想增加rnn或lstm细胞的反复重量。
如果您查看下面的代码，您将看到lsrm单元格输入的形状是(2,1)，这意味着有2个时间步骤和1个特性。
%tensorflow_version 2.x
import tensorflow as tf
m = tf.keras.models.Sequential()
lstm = tf.keras.layers.LSTM(1, use_bias=False)
input = tf.keras.Input(shape=(2,1))
m.add(input)
m.add(lstm)
lstm.get_weights()
输出是
[array([[ 0.
浏览 5提问于2020-03-04得票数 0
回答已采纳
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
我有一个与下图类似的数据集，其中包含m行(=批处理大小)和n列(v1, v2, ... vn)，每个列代表一个特性。对于dataset中的每个示例，每个特性都是浮点数数组的字符串表示形式，因此类似于这个'[-0.05, 1.12, -0.23, ..., 1.22]'。“隐藏”数组表示为字符串，如果转换为浮点数数组，则长度为k。这个输入直接输入到Tensorflow/Keras模型，而不需要任何预处理:数据集与model.fit一样被传递给model.fit，因此无法在Pandas或Numpy中进行转换和整形。
是否有一种方法来转换和重塑模型内部，作为第一层？该模型采用形状(m
浏览 2提问于2020-08-17得票数 2
1回答
我有以下模型，数据集包含186093个时间序列，其中每个时间序列的长度为48 Tensorflow 2.x版 model = tf.keras.models.Sequential([
tf.keras.layers.Conv1D(30, 4, activation=tf.nn.selu, input_shape=(train_data.shape[1], train_data.shape[0])),
tf.keras.layers.MaxPooling1D(3),
tf.keras.layers.Conv1D(15, 2, padding='same'
浏览 31提问于2020-01-30得票数 0
回答已采纳
我有一个数据，我正在尝试将它与Keras模型和我的train_data形状(161,25)进行拟合。
model=keras.Sequential([
keras.layers.Dense(64,activation=tf.nn.relu,input_shape=(train_data.shape)),
keras.layers.Dense(64,activation=tf.nn.relu),
keras.layers.Dense(1)])
现在，当我想要安装train_data时，如下所示
model.fit(train_data,train_labels,epochs=500,valida
浏览 6提问于2018-08-28得票数 0
回答已采纳
我试图用我从一些图像中提取的特征来训练模型，模型训练很好，但当我尝试model.predict时，它给出了这个错误。“期望dense_input具有形状(7，)，但得到具有形状(1，)的数组”我知道输入的形状，但这个错误太奇怪了。这对我来说没有任何意义，现在我试图打印我给model.predict的输入的形状，但它没有问题。 import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Activation
trainX = np.a
浏览 21提问于2019-04-25得票数 2
回答已采纳
1回答
我正在做我的第一个学位研究的最后一个项目。简而言之，我接受了772个培训声音文件，每个声音文件都有327个声音特性，称为mfcc，所以我的x_training输入是- 772*327。
我问我该用什么型号，然后我就明白了-
在MFCC上尝试CNN (添加大约4个CNN层，然后是最大池)，->扁平->密集层，这是一个非常通用的体系结构，适用于这种性质的大多数任务-- Iordanis 2天前。
所以我试着用tensorflow创建它-
model = tf.keras.models.Sequential([
tf.keras.layers.Conv2D(filters=6
浏览 3提问于2019-11-30得票数 0
回答已采纳
1回答
我使用带有Tensorflow后端的Keras对多个序列同时进行一步一步的序列预测；也就是说，我有n个具有m个时间步骤的序列，我使用一个model.predict()命令将它们全部加载到Keras中，模型返回一个'n‘元素数组，每个元素对应于每个n个序列的预测下一步。
所以我的目标是最大限度地提高Keras检测序列间交叉相关性的能力。例如，假设序列a与序列b有一定的时间延迟和缩放因子差异，那么理论上，Keras应该能够使用序列b更好地预测序列a的下一步。我现在如何使用4个序列(每个30个元素)进行测试，并将它们发送给我的模型，因为输入数据具有形状(4，30，1)，输出数据具有形状(4，
浏览 1提问于2017-11-09得票数 0
回答已采纳
1回答
理解每一层的Keras权重矩阵
、、、、
我正在尝试使用Keras中的全连接层架构进行二进制分类，这在Keras中被称为密集类。
以下是我创建的神经网络架构的设计：
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation
from keras.optimizers import SGD
self.model = Sequential()
# Dense(64) is a fully-connected layer with 64 hidden uni
浏览 4提问于2017-06-28得票数 5
3回答
我目前有一个类似于这样的keras模型：
model = keras.Sequential()
model.add(keras.layers.Dense(100, activation=tf.nn.relu))
model.add(keras.layers.Dense(100, activation=tf.nn.relu))
model.add(keras.layers.Dense(len(labels), activation=tf.nn.softmax))
告诉我：
模型需要知道它应该期望什么样的输入形状。因此，序列模型中的第一层(而且只有第一层，因为下面的层可以进行自动形状推断)需要接
浏览 0提问于2019-09-10得票数 13
回答已采纳
1回答
我正在用Keras构建一个CNN，它可以预测每幅图像中13个关键点的坐标。我所拥有的图像在输入维数上有所不同，所以我的输入层形状是(无，无，3)。我使用的是Inception模块，所以我使用的是函数API。现在，在为我的模型编写最后几层代码时，我遇到了一个问题。据我所知，我的输出层将是一个密集的(26)层，因为我将将x和y坐标编码为向量。我很难将输出层与前卷积层连接起来(因为张量尺寸)。
x = Input(None, None, 3)
stage_1 = Conv2D(26, (1, 1))(x)
stage_1 = Dropout(0.3)(stage_1)
stage_2 = Conv2
浏览 0提问于2019-03-25得票数 0
回答已采纳
1回答
我试图将数据增强作为一个层添加到模型中，但我认为这是一个形状问题。我也尝试在增广层中指定输入形状。当我从模型中取出data_augmentation层时，它运行得很好。
preprocessing.RandomFlip('horizontal', input_shape=(224, 224, 3))
data_augmentation_layer = keras.Sequential([
preprocessing.RandomFlip('horizontal'),
prepro
浏览 8提问于2022-03-13得票数 2
回答已采纳
3回答
卷积神经网络Conv1d输入形状
、、、、
我正在尝试创建一个CNN来对数据进行分类。我的数据是XN_data，我想创建一个能够对其进行分类的神经网络。我的问题是关于keras后端的Conv1D的输入形状。
我想重复一遍过滤器..假设有10个特征，然后对接下来的10个特征保持相同的权重。对于每个数据，我的卷积层将创建N_features/10个新神经元。我如何做到这一点呢？我应该在input_shape中放入什么？
def cnn_model():
model = Sequential()
model.add(Conv1D(filters=1,
浏览 5提问于2017-04-05得票数 19
回答已采纳
2回答
LSTM如何处理变长序列
、、、、
我在的第7章第1节中找到了一段代码如下：
from keras.models import Model
from keras import layers
from keras import Input
text_vocabulary_size = 10000
question_vocabulary_size = 10000
answer_vocabulary_size = 500
# Our text input is a variable-length sequence of integers.
# Note that we can optionally name our inputs!
浏览 1提问于2018-04-19得票数 10
回答已采纳
1回答
未知？形状角深度学习
、、、、
我正在尝试用Keras实现一个深度学习模型。然而，我遇到了一个未知形状实现的问题。我正在寻找一个类似的错误，但没有发现。
这是我的密码。
Xhome = dataset[:,32:62]
Xaway = dataset[:,62:92]
Ywin = dataset[:,2:32]
Yscorehome = dataset[:,0]
Yscoreaway = dataset[:,1]
home = Input(shape=(2431,30))
print(home)
Tensor("input_6:0", shape=(?, 2431, 30), dtype=fl
浏览 0提问于2019-02-05得票数 2
通过附加操作和未定义的形状将Keras Upsampling2d操作转换为此操作。
但是，Tensorflow在没有此操作的情况下以正确的形状进行转换。
这会导致未定义的整体模型输出形状，并导致设备上的错误。怎么解决这个问题呢？
浏览 2提问于2021-04-07得票数 0
回答已采纳
2回答
我刚学会了坦索弗洛和卡拉斯。下面是一个代码示例：
# Create a symbolic input
input = tf.keras.Input(shape=(2,), dtype=tf.float32)
# Do a calculation using is
result = 2*input + 1
# the result doesn't have a value
result
calc = tf.keras.Model(inputs=input, outputs=result)
print(calc(np.array([1,2,3,4])).numpy())
print(
浏览 3提问于2021-04-13得票数 4
回答已采纳
因此，我已经看到许多CNN在机器学习中的第一个例子使用MNIST数据集。每个图像都是28x28，所以我们知道输入的形状。如何处理可变大小的输入，假设您有一些图像是56x56和大约28x28。
我正在寻找一个语言和框架不可知论的答案，如果可能的话，或者用tensorflow术语更好
浏览 0提问于2017-07-29得票数 1
回答已采纳
1回答
我正在从事一个非常小规模的宠物项目，在这个项目中，输入本质上是(x，y)对的集合，并且将被分类，使用深入学习，特别是使用Keras (我知道这可能不是最好的，但这更像是概念的证明/我想尝试一下)。
但是，我不知道如何表示数据。
我从一个简单的分类问题开始(如果(a，b)是一个样本的一个特征，而a和b都在某个(c，d)的5%以内，那么它们是一个积极的例子，而不是其他的)，但是我不知道如何表示数据，以便网络能够学习到这一点。
我想做一个热编码，但是数据的维数可能会大幅度增长(x和y都在一个连续的间隔内取值)，我担心它不能很好地推广到数据增强(我会通过向每个x，y添加噪声来增加数据)。
有什么想法吗
浏览 0提问于2018-04-27得票数 1
在keras上实现LSTM时，将shape.x(None，78)的输入one-hot编码转换为shape.x(None，1，78)，但不确定为什么需要在keras中进行此转换。
我正在查看以下DL课程的代码示例：
reshapor = Reshape((1, 78))
LSTM_cell = LSTM(n_a, return_state = True)
densor = Dense(n_values, activation='softmax')
"""
Tx: 30
n_a = 64
n
浏览 0提问于2020-04-08得票数 0
3回答
我正在尝试使用来训练LSTM模型。我的训练数据是这样的：
>>> data.shape()
(100000,variable_sequence_lengths,295)
其中100000对应于实例的数目(序列的总数)，295表示给定序列的每个元素中的特征数。
我收到有关输入数据形状的错误。如何定义输入层和后续层(LSTM)中考虑可变序列长度的数据的形状？
from keras.layers import Input, Dense, concatenate, LSTM
from keras.models import Model
import numpy as np
inpu
浏览 0提问于2019-05-20得票数 2
回答已采纳
1回答
我最近开始从事心电信号分类的工作，在不同的班级。它基本上是多标签分类任务(总计4类)。我对深度学习，LSTM和Keras都很陌生，这就是为什么我在一些事情上感到困惑的原因。
我正在考虑把归一化的原始信号作为网络的输入，这是一个好方法吗？
由于心电信号的长度是可变的(从9000到18000个样本)，通常分类器需要固定的变量输入，所以我也需要了解训练输入的形状。在LSTM情况下，我如何处理这种类型的输入。
最后，对于这种冗长的输入，应该使用什么结构的深层LSTM网络，以及我应该使用多少层。
耽误您时间，实在对不起。问候
浏览 2提问于2018-01-02得票数 3
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
据我所知，输入元组从卷积块进入。因此，如果我们想改变input_tuple形状，修改卷积是有意义的。为什么我们需要include_top=False和删除完全连接的层在最后？
另一方面，如果我们有不同数量的类，Keras可以选择使用no_of_classes更改softmax层
我知道我是那个遗漏了什么的人。请帮帮我
示例:用于Inception Resnet V2
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(299,299，3) (带有“channels_last”数据格式)或(3,299,299) (带有“channels_
浏览 1提问于2018-04-27得票数 2
回答已采纳
假设我的数据有25个特征。在Keras中，我可以很容易地为每个输入要素实现一个Embedding层，并将它们合并在一起以馈送到后面的层。
我看到tf.nn.embedding_lookup接受一个id参数，该参数可以是纯整数或整数数组( 1,2,3，.)。但是，要素输入的形状通常为
x = tf.placeholder(tf.float32, [None, in_feature_num])
我可以通过使用以下命令将特性拆分为自己的特性
X = tf.split(1,in_feature_num,x)
并且每个特征输入的形状是?，1。但是embedding_lookup不接受形状?,1，而且由
浏览 3提问于2016-12-04得票数 2
1回答
我有1002次观察这10个特征。我已经连接在一起对数据进行预处理，现在，我需要将其重塑为3D输入数据，以便在LSTM中使用。我不知道使用pd.df.groupby(['timestep'])是否有意义，但我使用了一个很小的"np.reshape"函数，但似乎无法确定，我得到了错误。代码如下： train_dataset = dataset.sample(frac=0.8,random_state=0)
test_dataset = dataset.drop(train_dataset.index)
scaler = MinMaxScaler()
train_
浏览 7提问于2020-09-18得票数 1
回答已采纳
2回答
卷积层的输出形状
、、、、
我在Keras建立了一个卷积神经网络。
model.add(Convolution1D(nb_filter=111, filter_length=5, border_mode='valid', activation="relu", subsample_length=1))
根据，转换操作为每个过滤器创建一个特征映射(即激活映射)，然后将其叠加在一起。在我的例子中，卷积层有一个300维的输入。因此，我期望采用以下计算方法：
每个滤波器的窗口大小为5，因此，每个滤波器产生300-5+1=296个卷积.
由于有111个滤波器，所以应该有一个111*296的卷积
浏览 8提问于2017-05-08得票数 3
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
我试图让我的tensorflow模型在两类图像上进行训练，但我遇到了一个ValueError问题。有人能帮帮忙吗。相关代码如下： # Get image arrays and labels for all image files
images, labels = load_data(sys.argv[1])
# Split data into training and testing sets
x_train, x_test, y_train, y_test = train_test_split(
images, labels, test_size=TEST_SIZE
)
# G
浏览 14提问于2020-07-11得票数 0
回答已采纳
Keras层文档指定了卷积层的输入和输出大小：
输入形状：(samples, channels, rows, cols)
输出形状：(samples, filters, new_rows, new_cols)
核大小是一个空间参数，即只确定宽度和高度。
因此，带有c通道的输入将产生带有filters通道的输出，而不管c的值如何。因此，它必须应用二维卷积与空间height x width滤波器，然后聚合结果为每个学习滤波器。
这个聚合操作符是什么？这是跨渠道的总结吗？我能控制它吗？我找不到关于Keras文档的任何信息。
注意，在TensorFlow中，过滤器也是在深度通道中指定的：，因此深度
浏览 3提问于2017-04-09得票数 54
回答已采纳
我有以下代码来创建LSTM网络使用Keras与TensorFlow后端。这段代码运行良好。 import numpy as np
import pandas as pd
from sklearn import model_selection
from keras.models import Sequential
from keras.layers import Dense, Activation, Dropout
from keras.layers.recurrent import LSTM
from keras.utils import np_utils
flights = {
浏览 7提问于2019-01-23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
实时音视频
对象存储
即时通信 IM活动推荐
腾讯云开发者
