训练LSTM模型时的tensorflow.python.framework.errors_impl.AlreadyExistsError
是指在使用TensorFlow进行LSTM模型训练时出现的错误。该错误表示已经存在同名的资源或对象，导致无法创建新的资源或对象。
LSTM（Long Short-Term Memory）是一种常用的循环神经网络（RNN）架构，用于处理序列数据，特别是在自然语言处理（NLP）和时间序列预测等任务中表现出色。
当出现tensorflow.python.framework.errors_impl.AlreadyExistsError错误时，可能是由以下原因引起的：
- 模型或变量重复命名：在TensorFlow中，每个模型或变量都应该有唯一的名称。如果尝试创建一个已经存在的模型或变量，就会出现该错误。
解决方法：检查代码中的模型和变量命名，确保它们是唯一的。
- 重复创建图或会话：在TensorFlow中，每个图和会话都应该是唯一的。如果尝试创建一个已经存在的图或会话，就会出现该错误。
解决方法：检查代码中的图和会话创建过程，确保它们是唯一的。
- 并发训练冲突：如果多个训练任务同时运行，并且尝试创建相同的资源或对象，就会出现该错误。
解决方法：使用锁或其他并发控制机制来确保同时只有一个任务可以创建资源或对象。
针对该错误，腾讯云提供了一系列的云计算产品和服务，可以帮助解决训练LSTM模型时的问题。以下是一些相关产品和服务的介绍：
- 腾讯云AI Lab：提供了丰富的人工智能开发工具和平台，包括TensorFlow等深度学习框架的支持，可以帮助开发者进行LSTM模型的训练和优化。
- 腾讯云容器服务：提供了高度可扩展的容器化平台，可以方便地部署和管理LSTM模型的训练环境。
- 腾讯云数据库：提供了多种数据库产品，如云数据库MySQL、云数据库MongoDB等，可以用于存储和管理LSTM模型的训练数据。
- 腾讯云CDN：提供了全球分布式的内容分发网络，可以加速LSTM模型的训练数据的传输和访问。
请注意，以上仅是一些腾讯云的产品和服务示例，其他云计算品牌商也提供类似的产品和服务。
相关·内容
我已经用W- LSTM，b-lstm，Wy，by等参数训练了一个用于预训练的lstm模型L1。
假设Wy2和by2，我想用不同的Wy和by训练一个新的LSTM模型L2。
那么，如何仅从L1恢复W-lstm和b-lstm，并启动Wy2和by2呢？然后是训练。
saver.restore()？
谢谢。
浏览 10提问于2016-07-23得票数 0
1回答
我有一个具有不同配置文件的用户的timeseries数据集。我想使用lstm来预测每个用户提前一天的时间。我解决这个问题的方法是首先对具有相同行为的用户进行聚类。然后，在每个组中训练不同的lstm模型，以便每个lstm模型将负责该用户组，并使用该组的时间序列数据进行训练。在测试场景中，我将首先找到新用户的簇，然后根据训练好的相应簇的lstm进行预测。使用这种方法，我希望最小化模型的rmse。我已经开始使用库来对数据进行聚类。
我的问题与使用lstm有关。lstm是我方法的一部分吗？我应该使用一个全局lstm来训练不同的集群，还是应该为集群分离lstm模型？我是lstm及其特性的新手，因此任何帮
浏览 1提问于2020-09-02得票数 0
1回答
我尝试在Keras中使用带有LSTM层的自动编码器模型来检测文本异常值。我已经将每个句子编码成一个数字序列，每个数字代表一个字母。 到目前为止，我已经训练了一个具有固定长度输入的模型，通过向4000个序列中的每个序列填充零，直到maxlength = 40，从而使用4000,40,1形状的阵列(batch_size，时间步长，特征)来训练模型。 现在我想知道如何使用这样的自动编码器模型，而不是将零填充到每个序列(句子)，从而使用每个句子(序列)的实际大小进行训练和预测。 目前，我已经标准化了每个序列，因此我的训练数据(x_train)是一个数组列表，列表中的每个数组表示不同长度的标准化数字序
浏览 17提问于2019-09-20得票数 2
回答已采纳
如何在PyTorch中从预先训练好的模型中获取权重并在TensorFlow中使用？
这是预先训练好的模型：
lstm = torch.hub.load("BruceWen120/medal", "lstm")
浏览 3提问于2021-11-28得票数 0
我正在处理文档分类问题，并尝试应用基本的RNN/LSTM模型。
我制作了多层LSTM模型，并用15个时期进行了训练，但我获得了大约53%的训练准确率。41%的测试访问率。当我用更大的时代训练时，训练acc。增加和测试访问权限。下降到33%左右。
我知道如果测试访问。低于训练ac.，它可能是过拟合的。而过拟合的原因是，模型甚至训练了训练数据集的噪声。但我认为，如果发生了过度拟合，训练是可行的。必须是相当高的(80-90%)和测试访问。这比这要低得多，因为过拟合意味着模型对于训练数据集来说是“过拟合”的。
现在我想知道为什么当我用15个时期训练时，我的准确率降低了10%，而训练准确率只有53%。它
浏览 0提问于2020-04-24得票数 0
我构建一个LSTM，如下所示：
lstm_cell = tf.nn.rnn_cell.LSTMCell(n_hidden, forget_bias=1.0, state_is_tuple=True, activation=tf.nn.tanh)
lstm_cell = tf.nn.rnn_cell.DropoutWrapper(lstm_cell, output_keep_prob=0.5)
lstm_cell = tf.nn.rnn_cell.MultiRNNCell([lstm_cell] * 3, state_is_tuple=True)
然后我训练模型，并保存变量。下一次我加载保存的变
浏览 1提问于2016-12-16得票数 5
1回答
我在训练我的LSTM模型时遇到了很大的困难，它似乎根本不能学习。对于非常简单的模型(1层，很少的lstm单元)，训练损失几乎没有减少，精度也发生了变化，但最终停留在45%，就像更复杂的模型一样。大多数情况下，它只预测一个类作为输出。我尝试了改变所有的超参数，但它似乎并没有真正改变任何东西，所以我担心我遗漏了一些明显的东西。
这是我的模型：
Embedding_Model(nn.Module):
def __init__(self, dim, vocab_size, classes, lstm_units=100, num_layers=3, bidirectional=True):
浏览 42提问于2020-05-22得票数 0
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
我正在使用LSTM进行情绪分析，我有一个csv格式的数据集，其中有' sentiment '，'Tweet‘。Wor2vec模型是在这个数据集上训练的，但是现在我不知道如何将它作为输入提供给lstm。我试着用矢量替换csv文件中的单词，但我做不到。在构建lstm时是否需要使用任何查找方法，或者我们必须用向量替换csv文件中的单词，但如何做呢？
(我已经保存了经过训练的word2vec模型)
浏览 1提问于2018-05-12得票数 0
我有一系列可用的数据。我可以使用这个数据集来训练LSTM模型。假设我使用t，t+1，...，t+5来训练我的模型并预测t+6
然而，在训练模型之后。我正在寻找一种只使用初始步骤(T)来预测t+6的方法。
使用LSTM可以做到这一点吗，或者唯一的方法是通过训练中使用的所有时间步长来提供它。
谢谢
浏览 14提问于2021-03-01得票数 0
我想使用一个(2层)预训练的LSTM模型，并且我想在最后一个密集层之前添加一个新的LSTM层。所以我要添加的层将是第三层。因为预训练模型的第二个LSTM已经设置了return_sequences=True。我无法添加第三个LSTM层。如何使用LSTM更改预训练模型的任何层的配置，以添加另一个LSTM层。我不热衷于制作模型的另一个副本和复制权重。我想要改变现有的模型本身。 我试着这样做： model.layers[-1].return_sequences=True 此语句不会生成任何错误。但是图层配置仍然显示return_sequences=False 我还尝试显式地更改layer的配置，如下
浏览 10提问于2019-09-18得票数 1
3回答
我使用来运行LSTM神经网络。
我已经开始训练神经网络，我发现它太慢了。它几乎比CPU训练慢三倍。
CPU perfomance:每周期8 min；
GPU perfomance:每小时26 min。
在此之后，我决定在中找到答案，我应用了一个CuDNNLSTM (它只运行在GPU上)，而不是LSTM。
因此，GPU的性能仅为1 min /a的，模型的准确性下降了3%。
问题：
1)有人知道为什么在经典的LSTM层中GPU的工作速度比CPU慢吗？我不明白为何会出现这种情况。
2)为什么当我使用CuDNNLSTM而不是LSTM时，训练速度更快，模型的准确性降低？
P.S.：
My
浏览 1提问于2018-09-24得票数 10
回答已采纳
我已经使用GPU在tensorflow中使用CUDNNLSTM训练了一个模型。当我尝试在cpu中使用模型进行推理时，我得到了这个错误：
Invalid argument: No OpKernel was registered to support Op 'CudnnRNN' with these attrs. Registered devices: [CPU], Registered kernels:
<no registered kernels>
[[Node: cudnn_lstm/CudnnRNN = CudnnRNN[T=DT_FLOAT,
浏览 3提问于2018-05-02得票数 6
我训练了一个双向的CuDNNLSTM文本分类模型，model.evaluate(x_test, y_test, batch_size=BATCH_SIZE)给了我[('loss', 0.39137715717178684), ('acc', 0.9012292817679558)]。这正是我所期待的！
现在，当我通过修改模型架构中的CuDNNLSTM > LSTM在新的双向LSTM模型中加载相同的模型权重(在CPU上运行该模型)时，我将在相同的测试数据上获得[('loss', 8.747908523430075), ('acc
浏览 0提问于2018-02-22得票数 2
回答已采纳
1回答
库实现了哪个精确的LSTM (长时记忆)神经网络模型？它是“基本”版本概述的，或者如果它是一个变化，如，它是哪一个？特别是，我需要知道确切的内部联系以及它们各自的激活函数。
我想知道这一点，因为我正在使用Keras来训练一个模型，我想用它在没有Python的设备上进行预测-因此我需要实现我自己的LSTM (并使用来自经过训练的Keras模型的权重)。
浏览 8提问于2017-05-26得票数 2
回答已采纳
1回答
我正在尝试使用RNN来使用LSTM。我做了LSTM模型，之后有两个DNN网络，一个回归输出层。
我训练了我的数据，最后的训练损失是关于0.009的。然而，当我将模型应用于数据测试时，损失就变成了0.5。
第一个时代的训练损失是关于0.5的。因此，我认为在测试模型中没有使用经过训练的变量.
训练和测试模型的唯一区别是批量大小。Trainning Batch = 100~200，Test Batch Size = 1.
在main函数中，我创建了LSTM实例。在LSTM不等式中，建立了模型。
def __init__(self,config,train_model=None):
self.
浏览 4提问于2016-08-23得票数 1
回答已采纳
1回答
教LSTMs不同频率的概念
、、、、
用正弦波训练LSTM是很简单的。LSTM很容易理解如何预测未来数百步的波动。
然而，当我试图让LSTM预测一个不同频率的正弦波时，LSTM就变得非常无能。即使我试着在许多不同频率的波上训练它，它也会忘记第一波来学习下一波。当我更改测试数据的频率时，我的LSTM是如何失败的：
如何训练我的LSTM识别频率的概念和工作在任何正弦波？
编辑：
我所使用的模型：
inputs = Input(shape=(self.timesteps, self.features))
bd_seq = Bidirectional(LSTM(128, return_sequences=True,
浏览 1提问于2018-04-21得票数 4
回答已采纳
1回答
想象一下，您正在tensorflow中为序列分类任务训练一个LSTM模型。在每个时间步，你有一个二进制向量v_i (例如，v_i=[0, 1, 0, 1])，并且对于每个序列，你有可变数量的时间步(尽管二进制向量v_i的长度是相等的)。 在tensorflow中训练LSTM模型时，如下所示： lstm_cell=tf.nn.rnn_cell.LSTMCell(number_of_hidden)
tf.contrib.rnn.static_rnn (lstm_cell, training_data) 单个训练序列(具有三个时间步，v_1=[0, 1, 0, 1]，v_2=[1, 1, 1,
浏览 15提问于2019-06-18得票数 0
我想在Tensorflow中实现一个带有预先训练好的权重的LSTM模型。这些重量可能来自Caffee或Torch。
我发现在文件rnn_cell.py中有LSTM单元，比如rnn_cell.BasicLSTMCell和rnn_cell.MultiRNNCell。但是如何为这些LSTM单元加载预先训练好的权重呢？
浏览 0提问于2016-06-26得票数 5
我正在使用一些代码来训练lstm来生成序列。训练模型后，调用lstm()方法： x = some_input
lstm_output, (h_n, c_n) = lstm(x, hc)
funcc = nn.Linear(in_features=lstm_num_hidden,
output_features=vocab_size,
bias=True)
func_output = func(lstm_output) 我已经阅读了nn.Linear()的文档，但我仍然不理解这个转换是做什么的，以及为什么它是必要的。如果
浏览 52提问于2019-09-24得票数 1
1回答
我有一个预先训练好的模型，如下所示 Image 1 代码上面的模型是如下所示，这是如预期的工作，我已经将这个模型单独保存为".h5“keras格式 data= pd.read_csv('TrainPWM.csv')
data.values[:,0]
actual_pwm = data.values[:,0]
actual_rpm = data.values[:,1]
actual_pwm = np.reshape(actual_pwm,(36954,1,1))/10000
actual_rpm = np.reshape(actual_rpm,(36954,1,1))/
浏览 17提问于2019-08-28得票数 0
我在TF 1.1.0上使用了几个时间序列作为特征(3个特征作为输入)到LSTM模型(1个回归输出)中。main函数启动一个会话，如下所示：
model = SKCompat(learn.Estimator(model_fn=lstm_model,
model_dir=LOG_DIR,
params={'learning_rate': Learning_rate}))
model.fit(trainX, trainY, steps=steps)
lstm_model的功能主要有：
lstm_cell = tf.contri
浏览 2提问于2017-05-13得票数 0
1回答
我是机器学习和深度学习的新手。
训练模型为一次运行(一次) :
我训练了我的LSTM classifier model for one time (single run)并绘制了下面的图表。我检查了metrics (accuracy, precision, recall)，这对于培训、验证和测试都很有说服力。
对模型进行了多次训练(5次) :
虽然低LSTM是随机的，但我想了解它的train_loss & valid_loss行为。因此，我将ran the LSTM model 5 times和train_loss & valid_loss绘制成一个图，如下所示
浏览 0提问于2019-07-22得票数 0
回答已采纳
我应该将0到1或-1和1之间的LSTM输入数据标准化吗?为什么？规范输入数据会减少或改进LSTM模型的培训时间吗？这是因为我的LSTM模型训练时间太长，但效果很好。
浏览 1提问于2022-05-17得票数 -2
1回答
首先，我对这些概念很陌生。我使用了两个lstm层和级联。但是当我用两个周期训练模型时，它工作得很好(我相信，因为它提供了大约90%的精度)。但是，当我增加epochs=10的大小时，当训练保持不变(0.5601)和val_loss(6.7802)时，val_accuracy也会更高，并且保持不变。但是当我用两个时代训练时，val_accuracy和val_loss是可以的(val_accuracy=0.9924，val_loss=0.0392(不保持不变))
这是连接LSTM的代码。
数据集采用一次热编码进行预处理。嵌入层长度为50。
inputs = Input(shape=(50))
ls
浏览 3提问于2022-03-30得票数 0
2回答
在我的数据集中，目标/输出变量是Sales列，数据集中的每一行都记录一年(2008-2017)中每一天的Sales。数据集如下所示：
我的目标是基于这样的数据集建立一个LSTM模型，该模型应该能够在训练结束时提供预测。我在2008-2016年的数据上训练这个模型，并使用2017年数据的一半作为验证，其余的作为测试集。
以前，我尝试使用dropout和提前停止来创建模型。如下所示：
mdl1 <- keras_model_sequential()
mdl1 %>%
layer_lstm(units = 512, input_shape = c(1, 3), return
浏览 0提问于2018-01-31得票数 3
我有一个pytorch模型：
model = torch.nn.Sequential(
torch.nn.LSTM(40, 256, 3, batch_first=True),
torch.nn.Linear(256, 256),
torch.nn.ReLU()
)
对于LSTM层，我只想从批处理中检索最后一个隐藏状态，以通过其余的层。例如：
_, (hidden, _) = lstm(data)
hidden = hidden[-1]
尽管如此，该示例仅适用于子类模型。我需要以某种方式在nn.Sequential()模型上执行此操作，这样当我保
浏览 5提问于2021-10-05得票数 0
1回答
我在两个不同的时间框架中定义了一个基于时间序列的模型耗电量，比如一个分辨率为5秒，另一个时间为1小时。
我想在这里使用LSTM。由于LSTM网络的训练输入具有类似于[samples, time steps, features]的形状，因此不能对来自不同时间框架的数据进行拟合(这是可能的，但是将它们放在特征轴上可能不会有效)
解决这些问题的标准方法是什么？我脑海中浮现的一个想法是分别训练两个LSTM网络，然后连接它们的输出，将其送入密集层并进行训练(同时冻结LSTM层)。
任何暗示和洞察力都受到高度赞赏。
浏览 0提问于2021-06-17得票数 1
1回答
我有成千上万的视频，其中每一个都包括固定的帧数，也就是35帧。我试图通过训练LSTM模型来对视频进行分类。但我不知道人们如何保持视频的顺序结构，并训练一个LSTM模型。
因此，我想做的是；
从数据集读取视频
获取该视频的35帧，并通过CNN提取每帧的特征。
将这35帧功能提供给LSTM层-如何通过批处理将每个视频(35帧)提供给LSTM？
函数在中得到了广泛的应用。但是，，我不知道如何保持视频的顺序结构，同时将所有数据读取到内存中，以便使用fit函数.
rm.model.fit(X,y,batch_size=batch_size, validation_data=(X_te
浏览 8提问于2017-08-26得票数 1
1回答
我有一个简单的lstm模型
model =Sequential()
model.add(LSTM(100, activation='relu', input_shape=(n_input,n_features)))
model.add(Dense(1))
model.compile(optimizer='adam', loss='mse')
model.summary()
我对相同的数据进行训练和测试，但每次都得到不同的预测。为什么？
如果模型参数、训练和测试是相同的，为什么每次运行时预测都会发生变化？
如果结果不能重复，那么培训和测试lstm模
浏览 0提问于2022-03-12得票数 1
回答已采纳
1回答
如何训练语音识别的lstm
、、、、
我正在尝试训练用于语音识别的lstm模型，但不知道要使用什么训练数据和目标数据。我使用的是，它包含音频文件和它们的文字记录。在这一点上，我知道目标数据将被矢量化文本文本。至于训练数据，我在考虑使用每个音频文件(或MFCC特征)中的频率和时间。如果这是解决问题的正确方法，训练数据/音频将是多个数组，我如何将这些数组输入到我的lstm模型中？我需要对它们进行矢量化吗？
谢谢!
浏览 1提问于2016-11-26得票数 5
回答已采纳
1回答
计算火把中的困惑
、、、
我刚刚用pytorch训练了一个LSTM语言模型。这门课的主体是：
class LM(nn.Module):
def __init__(self, n_vocab,
seq_size,
embedding_size,
lstm_size,
pretrained_embed):
super(LM, self).__init__()
self.seq_size = s
浏览 4提问于2019-12-06得票数 7
回答已采纳
我有一些文本数据，我想训练一个分类器-为此，我使用了一个LSTM。我标记并矢量化了我的文本数据，所以像“快棕狐”这样的易读文本.被转化为填充序列“1，0，25，.”等。
已经成功地训练了一个模型。现在，我需要将这个模型应用于看不见的文本数据(而不是训练或测试集的一部分)。
最初，我正在考虑从未见的数据中删除所有在经过训练/测试的数据中没有的单词。但是这看起来也不像一个解决方案，因为在标记不可见的文本数据时，经过训练的数据中的单词可能映射到未见数据中的新数字。
所以,
训练数据中的狐狸可能被映射到20
未见数据中的福克斯可能被映射到70。
那么，我的问题是:如何在新数据上应用LS
浏览 1提问于2017-11-05得票数 1
回答已采纳
在AdditiveAttention() 2中，图层(即Bahdanau注意事项)出现了一个错误，但我并不完全理解。我想训练一个聊天机器人，用一个seq2seq注意力模型训练两个Question和Answer数据集。
当我试图将注意力层添加到模型中时，我的问题由一个错误来表示。这是我的构建功能：
def build_model():
import tensorflow as tf
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Input, Embedding,
浏览 2提问于2020-07-02得票数 0
1回答
我想训练一个模型(VGG+LSTM)，用于在视频序列中执行重新识别任务。我的代码的主要问题是，在我训练了模型之后，我想要进行推断，但LSTM似乎不起作用。(我连续9次向模型输入一张图片，但每次在lstm之后输出相同的向量，所以我认为一定是出了什么问题)。
Hear是我的。简单地说，我的lstm层是
layer {
name: "lstm"
type: "LSTM"
bottom: "Appearance_reshape"
bottom: "cont"
top: "lstm_out&#
浏览 2提问于2018-06-21得票数 0
3回答
LSTM模型的随机性
、、、
我有一个LSTM模型，如下所示：
model = Sequential()
model.add(Conv1D(3, 32, input_shape=(60, 12)))
model.add(LSTM(units=256, return_sequences=False, dropout=0.25))
model.add(Dense(256, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(1))
model.compile(optimizer='adam', loss='mse'
浏览 1提问于2018-10-08得票数 0
1回答
Keras使用DB进行持续培训
、、、、
我是Keras的新手，仍然在寻找持续训练模型的方法。由于我的数据集非常大，无法存储在内存中，因此我应该存储在一个DB (NoSql DB- MongoDb或HBase)中，并以批处理的方式训练记录。我的模型LSTM -多输入和输出。我目前的训练和预测如下。 model = Sequential()
model.add(LSTM(64, input_shape=in_dim, activation="relu"))
model.add(Dense(out_dim))
model.compile(loss="mse", optimizer="adam
浏览 19提问于2020-07-29得票数 0
回答已采纳
1回答
我正在尝试训练Keras seq2seq编解码器模型，如下所示：
Layer (type) Output Shape Param # Connected to
==================================================================================================
enc_inputs (InputLayer) (None, None) 0
浏览 0提问于2018-08-27得票数 4
我正在尝试用tensorflow.js来建立和训练一个lstm网络，我的数据集就像
输入：“我不喜欢这些鞋，它们对我来说太黄了。所以把它们还给我。”预期输出原因：“颜色”
我可以使用预先训练的word2vec模型将文本表示为向量。我试着阅读了文档，但是我无法理解它，即使是从其他来源也找不到一个关于如何在tensorflow.js中实现和训练网络的好例子。
有谁能给出一个用node.js和tensorflow.js直接创建LSTM层并训练模型的例子吗？
浏览 2提问于2018-09-27得票数 4
回答已采纳
1回答
Keras嵌入层引起维数问题
、、、、
我目前正在尝试在我的序列到序列自动编码器中包括一个嵌入层，它是用keras函数API构建的。
模型代码如下所示：
#Encoder inputs
encoder_inputs = Input(shape=(None,))
#Embedding
embedding_layer = Embedding(input_dim=n_tokens, output_dim=2)
encoder_embedded = embedding_layer(encoder_inputs)
#Encoder LSTM
encoder_outputs, state_h, state_c = LSTM(n_hidden
浏览 2提问于2018-12-17得票数 0
回答已采纳
1回答
我从事keras和LSTM的工作已经有一段时间了，但仍然是相当新的。
我面临着一个问题，每次使用keras LSTM进行训练和预测时，我都需要重新启动Jupyter Notebook。
当我需要使用相同的LSTM模型设置，使用不同的数据集循环多个预测时，这将导致问题。
另一种选择是逐个数据集训练和预测数据集，在每次预测完成后重新启动和运行，这将是一个非常乏味的过程。
例如：
for i in ...: # Loop for different data set
...
# Create LSTM Model
model = Sequential()
mode
浏览 15提问于2020-02-03得票数 0
3回答
我有用户的头像和时间序列数据(由这些用户产生的事件)。为了进行二分类，我编写了两个模型: LSTM和CNN，它们独立工作得很好。但我真正想要实现的是将这些模型连接起来。
下面是我的LSTM模型：
<code>A0</code>
CNN模型：
<code>A1</code>
以下是CNN的训练方式：
<code>A2</code>
将LSTM和CNN模型连接在一起的最佳方式是什么？
浏览 37提问于2019-03-31得票数 5
1回答
本质上，我使用Keras来训练LSTM模型，但是当我保存它时，它的大小高达100 to。但是，我的模型的目的是部署到web服务器上，以作为API，但由于模型大小太大，我的web服务器无法运行它。在分析了我的模型中的所有参数之后，我发现我的模型有20,000,000参数，但是15,000,000参数没有经过训练，因为它们是word嵌入。我是否可以通过删除15,000,000参数来最小化模型的大小，但仍然保持模型的性能？下面是我的模型代码：
def LSTModel(input_shape, word_to_vec_map, word_to_index):
sentence_indic
浏览 0提问于2018-05-07得票数 7
回答已采纳
1回答
是否可以使用set_weights和get_weights方案从经过训练的网络中将权重加载到我的新模型的最后一层？重点是，我将每一层的权重保存为mat文件(训练后)，以便在Matlab中进行一些计算，我只希望将最后一层的修改后的权重加载到新模型中的最后一层，而其他层则获得与训练模型相同的权重。这是一个位trickey，因为保存的格式是mat。 weights1 = lstm_model1.layers[0].get_weights()[0]
biases1 = lstm_model1.layers[0].get_weights()[1]
weights2 = lstm_model1.laye
浏览 37提问于2020-08-18得票数 0
回答已采纳
1回答
我正在开发一个基于LSTM的模型来预测日志异常。我的模型架构如下：
______________________Layer (type) Output Shape Param # =================================================================
lstm (LSTM) (None, 5, 1555) 9684540 ______________________
lstm_1 (LSTM) (None, 1555) 19350420 ______________________
dense (Dense) (None, 10
浏览 0提问于2020-06-10得票数 4
我在Keras中有一个错误，我找不到解决方案。我已经搜索了整个互联网，我仍然没有回答^^这是我的代码。
model = Sequential()
model.add(LSTM(32, return_sequences=True, input_shape=X.values.shape))
model.add(LSTM(32, return_sequences=True))
model.add(LSTM(32))
model.add(Dense(10, activation="softmax"))
model.compile(loss="categorical_crosse
浏览 0提问于2018-02-23得票数 1
回答已采纳
1回答
我使用Keras构建了一个用于文本分类的LSTM模型。现在我有了要训练的新数据。我没有附加到原始数据并重新训练模型，而是考虑使用模型权重来训练数据。即使用新数据进行训练的权重。然而，不管我训练的量有多大，模型都不能预测正确的分类(即使我给出相同的句子进行预测)。可能的原因是什么？请帮帮我。
浏览 1提问于2018-11-26得票数 0
1回答
我正在尝试在Keras中训练一个包含LSTM的递归模型，用于回归目的。我想在网上使用这个模型，据我所知，我需要训练一个有状态的LSTM。由于模型必须输出一系列值，因此我希望它计算每个预期输出向量的损失。然而，我担心我的代码不能以这种方式工作，如果有人能帮助我了解我做得是否正确，或者是否有更好的方法，我将不胜感激。 模型的输入是128维向量的序列。训练集中的每个序列都有不同的长度。每次，模型都应该输出一个包含3个元素的向量。 我正在尝试训练和比较两个模型: A)一个有128个输入和3个输出的简单LSTM；B)一个有128个输入和100个输出的简单LSTM +一个有3个输出的密集层； 对于模型A
浏览 13提问于2019-09-26得票数 1
回答已采纳
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
2回答
我有一个经过训练的LSTM模型，包含1个LSTM层和3个密集层。我将其用于序列到一次预测。我有4个输入变量和1个输出变量。我使用最近20个时间步长的值来预测输出变量的下一个值。该模型的体系结构如下所示
model = Sequential()
model.add(LSTM(units = 120, activation ='relu', return_sequences = False,input_shape =
(train_in.shape[1],5)))
model.add(Dense(100,activation='relu'))
model
浏览 0提问于2021-02-16得票数 0
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
腾讯会议活动推荐
腾讯云开发者
