开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

预测新结果时检查模型输入keras时出错

在预测新结果时检查模型输入时出错，可能是由于以下原因导致的：

数据格式不匹配：Keras模型对输入数据有特定的格式要求，例如输入数据的维度、形状等。检查输入数据的格式是否与模型要求一致，可以使用model.summary()查看模型的输入层信息，确保输入数据的维度和形状与模型期望的一致。
数据预处理问题：在进行预测之前，通常需要对输入数据进行预处理，例如归一化、标准化、缩放等操作。确保对输入数据进行了正确的预处理，并且预处理的方式与训练模型时一致。
缺少必要的输入特征：检查输入数据是否包含了模型所需的所有特征。如果模型在训练时使用了某些特征，但在预测时没有提供这些特征，就会导致错误。
模型加载问题：如果模型加载时出错，可能是模型文件路径不正确或者模型文件已损坏。确保模型文件的路径正确，并且模型文件没有损坏。
环境配置问题：有时候在使用Keras进行预测时，可能会遇到环境配置问题，例如缺少必要的库、版本不兼容等。确保环境配置正确，并且所有依赖库都已正确安装。

针对这个问题，腾讯云提供了一系列与云计算相关的产品和服务，可以帮助解决预测新结果时检查模型输入时出错的问题。其中，推荐使用的产品和服务包括：

腾讯云AI智能机器学习平台（https://cloud.tencent.com/product/tiia）：提供了丰富的机器学习和深度学习算法模型，可以帮助用户进行模型训练和预测。
腾讯云函数计算（https://cloud.tencent.com/product/scf）：提供了无服务器的计算服务，可以方便地部署和运行Keras模型，同时支持自动扩缩容和高可用性。
腾讯云容器服务（https://cloud.tencent.com/product/tke）：提供了容器化的部署环境，可以将Keras模型打包成容器，并进行快速部署和管理。
腾讯云人工智能开放平台（https://cloud.tencent.com/product/aiopen）：提供了丰富的人工智能API和SDK，可以方便地调用和使用Keras模型进行预测。

通过使用以上腾讯云的产品和服务，可以更好地解决预测新结果时检查模型输入时出错的问题，并且提升云计算和人工智能领域的开发效率和质量。

相关搜索:Keras ValueError:检查模型目标时出错(CNN)加载keras模型时重叠图层名称时出错 keras模型转换为tflite时出错使用keras加载模型文件时出错尝试使用Keras模型中的新数据进行预测时出错 keras模型转换为core ml模型时出错 keras -使用嵌入层检查目标时出错 Keras卷积形状的尺寸无序(检查模型输入时出错)在Keras中使用Functional API检查模型输入时出错从已保存的模型预测值时出错 Keras:如何在每批训练时修改keras模型的输入训练预测模型时输入形状不正确 Keras模型无法在传递函数时进行调用预测 Keras.Net -当模型是全局变量时，模型预测不返回检查数据库模型创建django时出错 Keras:ValueError:检查模型输入时出错:传递给模型的Numpy数组列表不是模型预期的大小检查线性结构元模型的偏导数时出错在Keras中从.hdf5加载模型权重时出错 tensorflow，keras ValueError:检查目标时出错:预期的dense_3 ios / CoreML - keras模型转换为CoreML时，输入类型为MultiArray

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

如何用 Keras 为序列预测问题开发复杂的编解码循环神经网络?

本文介绍了如何利用Keras框架开发基于序列数据的循环神经网络模型，并给出了一个序列到序列预测问题的实例。首先介绍了如何定义一个简单的编码器-解码器模型，然后利用Keras的Sequential模型定义了一个基于LSTM的编码器-解码器模型，最后利用Keras的Dataset API从数据集中加载数据并划分训练集和测试集。在划分数据集之后，使用Keras的Sequential模型定义了一个基于LSTM的编码器-解码器模型，并使用Keras的Keras Tuner对模型进行超参数调优。最后，使用Keras的Keras Tuner对模型进行超参数调优，并使用测试集对模型进行评估。实验结果表明，该模型在序列到序列预测问题上的性能优于传统的循环神经网络模型。

00

详述车道检测的艰难探索：从透视变换到深度图像分割(附代码)

王小新编译自 Medium 量子位出品 | 公众号 QbitAI 找到马路上的车道线，对于人类来说非常容易，但对计算机来说，一点阴影、反光、道路颜色的微小变化、或者车道线被部分遮挡，都会带来很大的困难。正在Udacity学习自动驾驶课程的Michael Virgo写了两篇博客文章，介绍了如何构建检测模型。以下内容编译自他的文章：在Udacity无人车纳米学位第一学期课程的五个项目中，有两个是关于车道检测的。其中第一个项目介绍了一些基本的计算机视觉技术，如Canny边缘检测。图1：Ca

07

【视频】CNN（卷积神经网络）模型以及R语言实现回归数据分析|附代码数据

无人驾驶汽车最早可以追溯到1989年。神经网络已经存在很长时间了，那么近年来引发人工智能和深度学习热潮的原因是什么呢？（点击文末“阅读原文”获取完整代码数据）

03

忽悠神经网络指南：教你如何把深度学习模型骗得七荤八素

大数据文摘作品，转载要求见文末原作者 | Adam Geitgey 编译 | 吴双，大力，笪洁琼，Aileen 知己知彼，无论你是想成为黑客（最好不要！）或防范未来黑客的入侵，都有必要来了解一下如何骗过由海量数据训练出来的深度学习模型。只要有程序员还在编程，黑客们就会不遗余力地找寻利用这些程序的方法。恶意黑客更是会利用程序中最为微小的漏洞来侵入系统，窃取数据，对系统造成严重破坏。但由深度学习算法驱动的系统应该是能够避免人为干扰的，对吧？一个黑客怎么能够突破被TB（兆兆字节）级数据训练的神经网络呢？

05

手把手教你用 Keras 实现 LSTM 预测英语单词发音

我近期在研究一个 NLP 项目，根据项目的要求，需要能够通过设计算法和模型处理单词的音节 (Syllables)，并对那些没有在词典中出现的单词找到其在词典中对应的押韵词（注：这类单词类似一些少见的专有名词或者通过组合产生的新词，比如 Brexit，是用 Britain 和 exit 组合在一起创造出来表示英国脱欧的新词）。在这两个任务中，能够对单词的发音进行预测是非常有必要的。本文详细记录我解决该问题的过程，希望能够对初学者和具有一定经验的朋友有所帮助。本文代码实现均基于 Python 3 和 Keras 框架。现在让我们开始吧！

02

用深度学习从非结构化文本中提取特定信息

这是与我们工作有关的一系列技术职务中的第一个。在iki项目中，涵盖了一些机器学习的应用案例和用于解决各种自然问题的深度学习技术的语言处理和理解问题。

03

手把手教你用 Keras 实现 LSTM 预测英语单词发音

我近期在研究一个 NLP 项目，根据项目的要求，需要能够通过设计算法和模型处理单词的音节 (Syllables)，并对那些没有在词典中出现的单词找到其在词典中对应的押韵词（注：这类单词类似一些少见的专有名词或者通过组合产生的新词，比如 Brexit，是用 Britain 和 exit 组合在一起创造出来表示英国脱欧的新词）。在这两个任务中，能够对单词的发音进行预测是非常有必要的。本文详细记录我解决该问题的过程，希望能够对初学者和具有一定经验的朋友有所帮助。本文代码实现均基于 Python 3 和 Keras 框架。现在让我们开始吧！

02

Python安装TensorFlow 2、tf.keras和深度学习模型的定义

使用tf.keras，您可以设计，拟合，评估和使用深度学习模型，从而仅用几行代码即可做出预测。它使普通的深度学习任务（如分类和回归预测建模）可供希望完成任务的普通开发人员使用。

03

手把手教你用Keras进行多标签分类（附代码）

本文将通过拆解SmallVGGNet的架构及代码实例来讲解如何运用Keras进行多标签分类。

盘一盘 Python 系列 11 - Keras (中)

本文是 Python 系列的第十四篇，也是深度学习框架的 Keras 中篇，离上篇相隔时间太久。整套 Python 盘一盘系列目录如下：

01

Python安装TensorFlow 2、tf.keras和深度学习模型的定义

使用tf.keras，您可以设计，拟合，评估和使用深度学习模型，从而仅用几行代码即可做出预测。它使普通的深度学习任务（如分类和回归预测建模）可供希望完成任务的普通开发人员使用。

03

你用什么方法调试深度神经网络？这里有四种简单的方式哦

当你花了几个星期构建一个数据集、编码一个神经网络并训练好了模型，然后发现结果并不理想，接下来你会怎么做？

03

将深度学习模型部署为web应用有多难？答案自己找

虽然创建一个机器学习项目很酷，但你最终往往还是希望其他人能够看到自己的成果。当然，你可以将整个项目放在 GitHub 上，但是，你的祖父母估计很难看明白。因此，我们想要做的是，将深度学习模型部署成一个任何人都可以访问的 web 应用程序。

04

使用resnet， inception3进行fine-tune出现训练集准确率很高但验证集很低的问题

最近用keras跑基于resnet50，inception3的一些迁移学习的实验，遇到一些问题。通过查看github和博客发现是由于BN层导致的，国外已经有人总结并提了一个PR（虽然并没有被merge到Keras官方库中），并写了一篇博客，也看到知乎有人翻译了一遍：Keras的BN你真的冻结对了吗

02

MATLAB中用BP神经网络预测人体脂肪百分比数据|附代码数据

在这个例子中，我们试图建立一个神经网络来估计一个人的脂肪百分比，这个人由13个物理属性描述。

00

keras系列︱Sequential与Model模型、keras基本结构功能（一）

中文文档：http://keras-cn.readthedocs.io/en/latest/ 官方文档：https://keras.io/ 文档主要是以keras2.0。

04

keras系列︱Sequential与Model模型、keras基本结构功能（一）

该文章介绍了在深度学习模型中，不同的层对输入进行计算，从而影响模型的性能。文章详细讨论了卷积层、池化层、全连接层和LSTM层的特点和作用，以及如何使用这些层来构建高性能的模型。此外，文章还探讨了如何通过冻结层和重新训练层来提高模型的性能。

实战 | 手把手教你用苹果CoreML实现iPhone的目标识别

在WWDC 2017上，苹果首次公布了机器学习方面的动作。iOS系统早已支持Machine Learning 和 Computer Vision ，但这次苹果提供了更合理，容易上手的API，让那些对基础理论知识一窍不通的门外汉也能玩转高大上的前沿科技。这篇文章介绍了通过苹果最新的API把YOLO模型集成到APP中的两种方法。此前，AI100（rgznai100）介绍过YOLO这个项目，它是一个用于摄像头的实时目标检测系统，详情请参阅：《YOLO一眼就能认出你：看一个神经网络如何全视野实时检测目标》

08

R语言中的神经网络预测时间序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告

用于R语言的多层感知器（MLP）和极限学习机（ELM）进行时间序列预测。请注意，由于神经网络无法利用GPU处理，因此大型网络的训练速度往往很慢（点击文末“阅读原文”获取完整代码数据）。

01

R语言KERAS深度学习CNN卷积神经网络分类识别手写数字图像数据（MNIST）

在本文中，我们将学习如何使用keras，用手写数字图像数据集（即MNIST）进行深度学习。本文的目的是为了让大家亲身体验并熟悉培训课程中的神经网络部分。

03

【TensorFlow2.x 实践】服装分类

基于TensorFlow2.x的框架，使用PYthon编程语言，实现对服装图像进行分类。

03

使用Keras训练好的.h5模型来测试一个实例

下面划重点：因为MNIST使用的是黑底白字的图片，所以你自己手写数字的时候一定要注意把得到的图片也改成黑底白字的，否则会识别错（至少我得到的结论是这样的，之前用白底黑字的图总是识别出错）

03

使用PYTHON中KERAS的LSTM递归神经网络进行时间序列预测|附代码数据

时间序列预测问题是预测建模问题中的一种困难类型（点击文末“阅读原文”获取完整代码数据）。

02

【视频】Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析|数据分享|附代码数据

在本文中，长短期记忆网络——通常称为“LSTM”——是一种特殊的RNN递归神经网络，能够学习长期依赖关系

01

【视频】Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析|数据分享|附代码数据

在本文中，长短期记忆网络——通常称为“LSTM”——是一种特殊的RNN递归神经网络，能够学习长期依赖关系

00

Keras中神经网络模型的5阶段生命周期

使用Python的Keras库可以很容易创建和评测深度学习神经网络，但是您必须遵循严格的模型生命周期。

09

浅谈深度神经网络

神经网络 (neural network) 受到人脑的启发，可模仿生物神经元相互传递信号。神经网络就是由神经元组成的系统。如下图所示，神经元有许多树突 (dendrite) 用来输入，有一个轴突 (axon) 用来输出。它具有两个最主要的特性：兴奋性和传导性：

01

浅谈深度神经网络

神经网络 (neural network) 受到人脑的启发，可模仿生物神经元相互传递信号。神经网络就是由神经元组成的系统。如下图所示，神经元有许多树突 (dendrite) 用来输入，有一个轴突 (axon) 用来输出。它具有两个最主要的特性：兴奋性和传导性：

03

RNN示例项目：详解使用RNN撰写专利摘要

我第一次尝试研究RNN时，我试图先学习LSTM和GRU之类的理论。在看了几天线性代数方程之后（头疼的要死），我在Python深度学习中发生了以下这段话：

01

手把手教你用Python库Keras做预测（附代码）

当你在Keras中选择好最合适的深度学习模型，就可以用它在新的数据实例上做预测了。但是很多初学者不知道该怎样做好这一点，我经常能看到下面这样的问题：

08

[Deep-Learning-with-Python] Keras高级概念

目前为止，介绍的神经网络模型都是通过Sequential模型来实现的。Sequential模型假设神经网络模型只有一个输入一个输出，而且模型的网络层是线性堆叠在一起的。

01

TensorFlow 和 Keras 应用开发入门：1~4 全

在本课程中，我们将介绍神经网络的基础知识以及如何建立深度学习编程环境。我们还将探讨神经网络的常见组件及其基本操作。我们将通过探索使用 TensorFlow 创建的训练有素的神经网络来结束本课程。

02

TensorFlow从1到2（二）续讲从锅炉工到AI专家

原文第四篇中，我们介绍了官方的入门案例MNIST，功能是识别手写的数字0-9。这是一个非常基础的TensorFlow应用，地位相当于通常语言学习的"Hello World!"。我们先不进入TensorFlow 2.0中的MNIST代码讲解，因为TensorFlow 2.0在Keras的帮助下抽象度比较高，代码非常简单。但这也使得大量的工作被隐藏掉，反而让人难以真正理解来龙去脉。特别是其中所使用的样本数据也已经不同，而这对于学习者，是非常重要的部分。模型可以看论文、在网上找成熟的成果，数据的收集和处理，可不会有人帮忙。在原文中，我们首先介绍了MNIST的数据结构，并且用一个小程序，把样本中的数组数据转换为JPG图片，来帮助读者理解原始数据的组织方式。这里我们把小程序也升级一下，直接把图片显示在屏幕上，不再另外保存JPG文件。这样图片看起来更快更直观。在TensorFlow 1.x中，是使用程序input_data.py来下载和管理MNIST的样本数据集。当前官方仓库的master分支中已经取消了这个代码，为了不去翻仓库，你可以在这里下载，放置到你的工作目录。在TensorFlow 2.0中，会有keras.datasets类来管理大部分的演示和模型中需要使用的数据集，这个我们后面再讲。 MNIST的样本数据来自Yann LeCun的项目网站。如果网速比较慢的话，可以先用下载工具下载，然后放置到自己设置的数据目录，比如工作目录下的data文件夹，input_data检测到已有数据的话，不会重复下载。下面是我们升级后显示训练样本集的源码，代码的讲解保留在注释中。如果阅读有疑问的，建议先去原文中看一下样本集数据结构的图示部分：

00

Python用Keras神经网络序列模型回归拟合预测、准确度检查和结果可视化

我们可以很容易地用Keras序列模型拟合回归数据并预测测试数据。在这篇文章中，我们将简要地学习如何用Python中的Keras神经网络API拟合回归数据。我们将用Keras回归和序列模型本身这两种方法检查模型。该教程涵盖了以下内容（点击文末“阅读原文”获取完整代码数据）。

03

Python用Keras神经网络序列模型回归拟合预测、准确度检查和结果可视化|附代码数据

最近我们被客户要求撰写关于Keras神经网络序列模型的研究报告，包括一些图形和统计输出。

00

完全云端运行：使用谷歌CoLaboratory训练神经网络

选自Medium 作者：Sagar Howal 机器之心编译参与：路雪 Colaboratory 是一个 Google 研究项目，旨在帮助传播机器学习培训和研究成果。它是一个 Jupyter 笔记本环境，不需要进行任何设置就可以使用，并且完全在云端运行。Colaboratory 笔记本存储在 Google 云端硬盘 (https://drive.google.com/) 中，并且可以共享，就如同您使用 Google 文档或表格一样。Colaboratory 可免费使用。本文介绍如何使用 Google Co

08

Keras 中神经网络模型的 5 步生命周期

https://machinelearningmastery.com/5-step-life-cycle-neural-network-models-keras/

03

《机器学习实战：基于Scikit-Learn、Keras和TensorFlow》第10章使用Keras搭建人工神经网络

下载本书代码和电子书：https://www.jianshu.com/p/4a94798f7dcc

03

Matlab用深度学习循环神经网络RNN长短期记忆LSTM进行波形时间序列数据预测|附代码数据

LSTM 网络是一种循环神经网络 (RNN)，它通过循环时间步长和更新网络状态来处理输入数据。网络状态包含在所有先前时间步长中记住的信息。您可以使用 LSTM 网络使用先前的时间步长作为输入来预测时间序列或序列的后续值。要训练 LSTM 网络进行时间序列预测，请训练具有序列输出的回归 LSTM 网络，其中响应（目标）是训练序列，其值偏移了一个时间步长。换句话说，在输入序列的每个时间步，LSTM 网络学习预测下一个时间步的值。

00

Deep learning with Python 学习笔记（9）

使用 model.fit()或 model.fit_generator() 在一个大型数据集上启动数十轮的训练，有点类似于扔一架纸飞机，一开始给它一点推力，之后你便再也无法控制其飞行轨迹或着陆点。如果想要避免不好的结果（并避免浪费纸飞机），更聪明的做法是不用纸飞机，而是用一架无人机，它可以感知其环境，将数据发回给操纵者，并且能够基于当前状态自主航行。下面要介绍的技术，可以让model.fit() 的调用从纸飞机变为智能的自主无人机，可以自我反省并动态地采取行动

01

别磨叽，学完这篇你也是图像识别专家了

图像识别是当今深度学习的主流应用，而Keras是入门最容易、使用最便捷的深度学习框架，所以搞图像识别，你也得强调速度，不能磨叽。本文让你在最短时间内突破五个流行网络结构，迅速达到图像识别技术前沿。

07

CNN（卷积神经网络）模型以及R语言实现

无人驾驶汽车最早可以追溯到1989年。神经网络已经存在很长时间了，那么近年来引发人工智能和深度学习热潮的原因是什么呢？答案部分在于摩尔定律以及硬件和计算能力的显著提高。我们现在可以事半功倍。顾名思义，神经网络的概念是受我们自己大脑神经元网络的启发。神经元是非常长的细胞，每个细胞都有称为树突的突起，分别从周围的神经元接收和传播电化学信号。结果，我们的脑细胞形成了灵活强大的通信网络，这种类似于装配线的分配过程支持复杂的认知能力，例如音乐播放和绘画。

02

【视频】CNN（卷积神经网络）模型以及R语言实现回归数据分析|附代码数据

最近我们被客户要求撰写关于CNN（卷积神经网络）的研究报告，包括一些图形和统计输出。

00

《机器学习实战：基于Scikit-Learn、Keras和TensorFlow》第15章使用RNN和CNN处理序列

第10章使用Keras搭建人工神经网络第11章训练深度神经网络第12章使用TensorFlow自定义模型并训练第13章使用TensorFlow加载和预处理数据第14章使用卷积神经网络实现深度计算机视觉第15章使用RNN和CNN处理序列 [第16章使用RNN和注意力机制进行自然语言处理] [第17章使用自编码器和GAN做表征学习和生成式学习] [第18章强化学习] [第19章规模化训练和部署TensorFlow模型]

01

R语言深度学习：用keras神经网络回归模型预测时间序列数据|附代码数据

结合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络时间序列分析深度学习：Keras使用神经网络进行简单文本分类分析新闻组数据用PyTorch机器学习神经网络分类预测银行客户流失模型 PYTHON用LSTM长短期记忆神经网络的参数优化方法预测时间序列洗发水销售数据 Python用Keras神经网络序列模型回归拟合预测、准确度检查和结果可视化 Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析 R语言中的神经网络预测时间序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告 R语言深度学习：用keras神经网络回归模型预测时间序列数据 Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类 R语言KERAS深度学习CNN卷积神经网络分类识别手写数字图像数据（MNIST） MATLAB中用BP神经网络预测人体脂肪百分比数据 Python中用PyTorch机器学习神经网络分类预测银行客户流失模型 R语言实现CNN（卷积神经网络）模型进行回归数据分析 SAS使用鸢尾花(iris)数据集训练人工神经网络(ANN)模型【视频】R语言实现CNN（卷积神经网络）模型进行回归数据分析 Python使用神经网络进行简单文本分类 R语言用神经网络改进Nelson-Siegel模型拟合收益率曲线分析 R语言基于递归神经网络RNN的温度时间序列预测 R语言神经网络模型预测车辆数量时间序列 R语言中的BP神经网络模型分析学生成绩 matlab使用长短期记忆（LSTM）神经网络对序列数据进行分类 R语言实现拟合神经网络预测和结果可视化用R语言实现神经网络预测股票实例使用PYTHON中KERAS的LSTM递归神经网络进行时间序列预测 python用于NLP的seq2seq模型实例:用Keras实现神经网络机器翻译用于NLP的Python：使用Keras的多标签文本LSTM神经网络分类

01

入门 | 完全云端运行：使用谷歌CoLaboratory训练神经网络

选自Medium 作者：Sagar Howal 机器之心编译参与：路雪 Colaboratory 是一个 Google 研究项目，旨在帮助传播机器学习培训和研究成果。它是一个 Jupyter 笔记本环境，不需要进行任何设置就可以使用，并且完全在云端运行。Colaboratory 笔记本存储在 Google 云端硬盘 (https://drive.google.com/) 中，并且可以共享，就如同您使用 Google 文档或表格一样。Colaboratory 可免费使用。本文介绍如何使用 Google Co

09

【视频】CNN（卷积神经网络）模型以及R语言实现回归数据分析

无人驾驶汽车最早可以追溯到1989年。神经网络已经存在很长时间了，那么近年来引发人工智能和深度学习热潮的原因是什么呢？[1秒]答案部分在于摩尔定律以及硬件和计算能力的显著提高。我们现在可以事半功倍。顾名思义，神经网络的概念是受我们自己大脑神经元网络的启发。神经元是非常长的细胞，每个细胞都有称为树突的突起，分别从周围的神经元接收和传播电化学信号。结果，我们的脑细胞形成了灵活强大的通信网络，这种类似于装配线的分配过程支持复杂的认知能力，例如音乐播放和绘画。

01

机器学习的「反噬」：当 ML 用于密码破解，成功率竟然这么高！

因此，一位好奇的学者 Tikeswar Naik，通过简单的实验和我们讨论了这项技术的某一潜在滥用情况——使用 ML 来破解密码，希望通过这一介绍能够让更多人保持警惕，并找到减轻或防止滥用的方法。我们将其具体研究内容编译如下。

02

CloudLite认证笔记 AI应用之基于Keras的交通标志识别

认证链接腾讯云CloudLite认证 AI应用之基于Keras的交通标志识别目录在线学习基于Keras的交通标志识别动手实践基于Keras的交通标志识别证书展示 [cl-ai-keras.png] 知识点摘记图像的基本属性：height，width，pixel，channel 光学三原色：red，green，blue HSV：hue，saturation，value opencv：一个轻量、高效、常用的软件库，擅长处理计算机图形和机器学习问题实验数据集：训练集，验证集，测试集使用Kera

02

小心训练模型，数据少也可以玩转深度学习

最近，Jeff Leek 在 Simply Stats 上发表了一篇题为「如果你的数据量不够大就不要使用深度学习」（Don’t use deep learning your data isn’t that big）的文章（链接见文末），认为只有获得了谷歌、Facebook 这样规模的数据才有资格做深度学习。对于这点 Andrew L. Beam（本文作者）并不反对，他认为这使我们清楚地意识到深度学习并不是一种万能的灵药；但是，虽然 Beam 同意其核心观点，但是其还有很多不明确或不清晰的地方，并且 Be

05

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

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭