Keras :输出的梯度w.r.t.输入作为分类器的输入
Keras是一个开源的深度学习框架，它提供了一个高级的、用户友好的接口，用于构建和训练神经网络模型。Keras的设计目标是使深度学习模型的开发过程更加简单、快速，并且具有高度的灵活性。
在Keras中，输出的梯度w.r.t.输入作为分类器的输入是指将模型的输出梯度与输入数据进行结合，作为分类器的输入。这种方法可以用于一些特定的任务，如对抗性样本生成、可解释性分析等。
优势：
- 简单易用：Keras提供了简洁的API，使得构建和训练神经网络模型变得简单易用，即使对于初学者也能够快速上手。
- 高度灵活：Keras支持多种神经网络层和模型的组合方式，可以轻松构建各种复杂的神经网络结构。
- 跨平台支持：Keras可以在多种深度学习框架的后端上运行，包括TensorFlow、CNTK和Theano等，因此可以在不同的硬件和操作系统上使用。
- 社区支持：Keras拥有庞大的用户社区，可以分享和获取各种模型、技巧和经验。
应用场景：
- 图像分类：Keras可以用于构建卷积神经网络（CNN），用于图像分类任务，如手写数字识别、物体识别等。
- 自然语言处理：Keras提供了循环神经网络（RNN）的支持，可以用于文本分类、情感分析、机器翻译等自然语言处理任务。
- 推荐系统：Keras可以用于构建神经网络模型，用于推荐系统中的用户行为预测、商品推荐等任务。
- 强化学习：Keras提供了强化学习算法的实现，可以用于构建智能体与环境交互的模型，如游戏智能、机器人控制等。
推荐的腾讯云相关产品和产品介绍链接地址： 腾讯云提供了多种与深度学习相关的产品和服务，以下是其中几个推荐的产品和介绍链接地址：
- AI 机器学习平台：https://cloud.tencent.com/product/tia 腾讯云的AI机器学习平台提供了丰富的深度学习工具和资源，可以帮助用户快速构建和训练神经网络模型。
- 弹性GPU服务：https://cloud.tencent.com/product/gpu 腾讯云的弹性GPU服务提供了高性能的GPU实例，可以加速深度学习模型的训练和推理过程。
- 云服务器：https://cloud.tencent.com/product/cvm 腾讯云的云服务器提供了强大的计算能力和灵活的配置选项，可以满足深度学习模型训练和推理的需求。
请注意，以上推荐的腾讯云产品仅供参考，具体选择应根据实际需求和情况进行。
相关·内容
2回答
Keras上的域自适应
、、、
我正在用CNN在Keras上开发一个图像分类器。由于这些图像是从多个域拍摄的，我想尝试一下域适配。
为了同时训练一个图像分类器，并使域不变特征，我提出了一个负损失的损失，像这样的领域损失在Keras。
model.compile(optimizer='adam',
loss={'main_output': 'categorical_crossentropy', 'domain_output': 'categorical_crossentropy'},
loss_weight
浏览 3提问于2018-01-23得票数 4
回答已采纳
1回答
这个“单一”值在梯度中代表什么？
、、、、
我试着计算输出层的梯度。输入和我期待一个梯度矩阵(作为不同节点的梯度在输出层w.r.t。每个输入)，但我只得到一个值。我想知道这个值代表什么？
我的目的是计算分类交叉熵损失的梯度w.r.t对每个输入。我在寻找一个解决方案，然后我坚持了下来。
我是新来的，所以请忽略愚蠢的错误。
from keras.models import Sequential
from keras.layers import Dense, Activation
from keras import backend as k
import numpy as np
import tensorflow as tf
model =
浏览 0提问于2019-03-27得票数 1
回答已采纳
我已经使用Keras和TensorFlow对按照进行了分类。
网络的输入是形状为28，28的2-D张量，输出是形状为10的1-D张量，这是softmax函数的结果。
如何做到这一点？是否可以使用Keras或必须使用较低级别的API来完成此操作？
经过训练的模型具有以下格式
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28, 28)),
keras.layers.Dense(128, activation=tf.nn.relu),
keras.layers.Dense(10, activati
浏览 4提问于2018-10-06得票数 8
我对机器学习还很陌生，而且我还在玩弄对抗性的例子。我试图愚弄一个二进制字符级的LSTM文本分类器.因此，我需要损失的梯度w.r.t。输入。
渐变函数虽然返回None。
我已经尝试过获取梯度，比如在或中，但是梯度函数仍然返回None。
编辑:我想做一些与 git类似的事情。
我在想，问题可能是它是一个LSTM分类器。在这一点上我不确定。但我认为，即使从LSTM分类器中得到这些梯度也是可能的，对吗？
这是我的代码：
import numpy as np
from keras.preprocessing import sequence
from keras.models import load_mo
浏览 0提问于2019-05-17得票数 0
回答已采纳
我需要在Keras中计算模型输出wrt输入的导数。
我想在损失函数中添加一个正则化函数。正则化器包含分类器函数的导数。所以我试着取模型输出的导数。该模型是一个具有一个隐层的MLP。数据集是MNIST。当我编译模型并接受导数时，我得到的结果不是导数，而是导数函数。
我也看到过类似的帖子，但也没有得到答案：
这是我的密码。请帮我解决这个问题。
import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense
from keras impor
浏览 4提问于2018-03-16得票数 4
回答已采纳
2回答
我用tensorflow在Keras中实现了一个基本的MLP，并试图解决一个二进制分类问题。对于二进制分类，sigmoid似乎是推荐的激活函数，我不太理解其中的原因，以及Keras如何处理这个问题。
我理解sigmoid函数会产生介于0到1之间的值。我的理解是，对于使用sigmoid的分类问题，将有一个特定的阈值来确定输入的类(通常为0.5)。在Keras中，我没有看到任何方法来指定这个阈值，所以我假设它是在后端隐式完成的？如果是这种情况，那么Keras如何区分在二进制分类问题中使用sigmoid，还是在回归问题中使用？对于二进制分类，我们需要一个二进制值，而回归则需要一个名义值。我所能看到的
浏览 0提问于2018-03-06得票数 21
回答已采纳
作为Tensorflow的新手，我正在尝试理解tf.gradients和tf.keras.backend.gradients的底层功能之间的区别。
后者求出输入特征值的梯度w.r.t代价函数。
但我无法清楚地了解前者是计算成本函数的梯度还是计算输出概率(例如，考虑使用简单的前馈网络的二进制分类的情况。这里的输出概率是指具有单个神经元的最后一层的Sigmoid激活结果。成本由二进制交叉熵给出)
我已经参考了tf.gradients的官方文档，但它简短而含糊(对我来说)，而且我没有得到一个清晰的画面-文档只提到了'y‘-它是成本还是产出概率？
为什么我需要渐变？以实现基本的基于梯度的特征属
浏览 38提问于2020-02-25得票数 1
1回答
我正试图在Keras中构建一个编解码网络，以生成一个特定风格的句子。由于我的问题是没有监督的，即我没有生成句子的基本真理，所以我在训练期间使用分类器来帮助。我将解码器的输出传递给分类器，告诉我解码句子的样式。
解码器输出一个softmax分布，我打算直接输入到分类器中，但我意识到它有一个嵌入层，在Keras中，它只接受整数序列，而不是softmax /one热序列。有谁知道补救的方法吗？
谢谢
浏览 0提问于2018-07-24得票数 2
我有一个经过训练的keras模型，我需要计算输出相对于输入的梯度和hessian。输入X是一个5000x3numpy数组，输出y是5000x1。 使用keras的梯度函数和tensorflow的梯度函数都可以很好地计算梯度，我得到了一个包含正确值的5000x3数组，但是使用tf.hessian()的hessian函数只返回0。这不应该是这种情况，因为我的模型是近似一个高度非线性的函数，所以二阶导数很可能是非零的。 代码如下(我简化了一些参数以实现可重用性)： def get_derivatives_NN(X, y):
# Define Keras model
model =
浏览 19提问于2019-02-26得票数 1
1回答
假设我们有一个卷积神经网络训练分类(w.l.o.g. )。灰度)图像，张量流。
给定经过训练的网络和测试图像，可以跟踪它的哪些像素是显着的，或“等效”哪些像素对图像的输出分类最负责。在这个中给出了Theano中一个很好的解释和实现细节。
假设对于与输入图像直接相关的第一层卷积，我们对每个卷积核wrt的参数都有梯度。分类函数。
如何将梯度传播回输入层，从而在图像的每个像素上计算偏导数？
传播和积累的梯度，将给我们突出的像素(他们是那些大的幅度导数)。
以求渐变wrt。到目前为止，第一层的内核是：
1. Replaced the usual loss operator with t
浏览 1提问于2016-06-29得票数 4
回答已采纳
2回答
我想看看Keras，试着深入学习。
据我所知，叠加仅仅几个密集的层有效地阻止了反向传播工作，因为消失梯度问题。
我发现有一个预先训练过的神经网络，你可以下载并建立在它之上。
这个网络有16层，所以我想，这就是你遇到消失梯度问题的地方。
假设我想自己在Keras训练网络。我怎么发动汽车呢？我是否应该将这些层划分成簇，并将它们单独训练成自动生态器，而不是在其上堆叠分类器并对其进行训练？在Keras中有内置的机制吗？
浏览 1提问于2017-09-18得票数 1
回答已采纳
我试图得到Keras模型的输出相对于模型的输入(x) (而不是权重)的导数。似乎最简单的方法是使用keras.backend中的“梯度”，它返回一个梯度张量(https://keras.io/backend/)。我是tensorflow的新手，还不太熟悉它。我得到了梯度张量，并试图得到它在不同输入值(x)下的数值。但似乎梯度值与输入x无关(这不是预期的)，或者我做错了什么。任何帮助或意见都将不胜感激。 import keras
import numpy as np
import matplotlib.pyplot as plt
from keras.layers import Dense,
浏览 14提问于2019-02-07得票数 4
Tensorflow版本: Tensorflow 2.1
我想得到与输入有关的梯度，而不是相对于可训练权重的梯度。我将示例从调整为
import tensorflow as tf
import numpy as np
physical_devices = tf.config.experimental.list_physical_devices('GPU')
assert len(physical_devices) > 0, 'Not enough GPU hardware devices available'
tf.config.experimental
浏览 1提问于2020-02-09得票数 0
在我的数据集中，单个输入和输出的形状是15 x 61。我指定input_shape=(15,61)。这意味着15x61到15x61之间的映射，这不是一个分类问题。输出层中的单位规格应该是什么？ model = tf.keras.models.Sequential([tf.keras.layers.Dense(units=128,input_shape =(15,61),
tf.keras.layers.Dense(units=128, activation=tf.nn.relu),
tf.keras.layers.Dense(units=, activation=tf.nn.softmax)
浏览 6提问于2019-09-14得票数 0
我想攻击我的随机森林分类器。
clf = RandomForestClassifier(max_features="sqrt", n_estimators=500, n_jobs=-1, verbose=1, warm_start=True)
clf.fit(X_train, y_train)
在这个定义之后，我做了我的预测，然后我做了下面的代码：
from keras import backend
from cleverhans.utils_keras import KerasModelWrapper
from cleverhans.attacks import FastGr
浏览 0提问于2018-10-31得票数 1
回答已采纳
对于一个特定的问题，我想对Keras模型中一个层的过度兴奋的激活进行正则化。因此，我创建了一个基于高于特定阈值的激活值的自定义丢失。
损失会出现，但不会被优化器减少。只有分类损失被最小化。
使用最新版本的tensorflow 2.0与Keras一起构建模型。我当前的尝试添加了第二个输出，其自定义丢失依赖于特定的层。我已经尝试提供损失作为第二个输入，并将它添加到密集损失，这给了我同样的结果，定制损失没有最小化。
我认为无法计算第二个损失的梯度，但我在PyTorch中有一个工作示例，其中这似乎是可行的。
import tensorflow as tf
import numpy as np
fro
浏览 9提问于2019-10-16得票数 2
回答已采纳
我有一个Keras字符级嵌入模型，它接受shape (num_items, 45)的输入，并输出shape (num_items, 128)的向量。 我目前在序列分类模型中使用它，输入形状为(num_items, num_terms, 128)，但这需要提前准备数据。 我希望能够将模型嵌入到序列分类模型中，以便输入的形状将是(num_items, num_terms, 45)，并通过原始字符模型运行以输出大小为(num_items, num_terms, 128)的层。 有没有办法在Keras中做到这一点，即使字符模型一次只能对一个术语进行分类？也许使用了某种lambda层？ 感谢您能提供的
浏览 20提问于2019-10-16得票数 0
1回答
简单分类的神经网络精度
、、、、
我正在尝试为一个非常简单的分类模型开发一个NN，该模型包含了keras/tensorflow：
例如：
输入："Do“=>类输出："Dog”
输入："Ca“=>类输出：”猫“
输入："Mo“=>类输出：”鼠标“
我用许多"Do“、"Ca”等来训练模型(如字典)，将输入索引为分类数组(例如，[0,1,0]是"Cat"，[1,0,0]是"Dog"，[0,0,1]是“老鼠”，在三个类的情况下)。
我知道，对于这类问题，应该使用其他所有传统的分类算法，而不是DL，但我这样做是有目的的(我需要将其与图像分类
浏览 0提问于2018-03-27得票数 0
回答已采纳
我有一个Lambda层，从上一层获取输入，做一些预处理。Lambda层的输出是一个预测，并使用keras.losses.mean_squared_error。
#model
inputs = Input(shape=(len_train_data_columns,))
dense1 = Dense(777, activation='relu')(inputs)
dropout1 = Dropout(0.4)(dense1)
softmax = Dense(3, activation='softmax')(dropout1)
predictions = Lambd
浏览 0提问于2019-03-28得票数 2
我正在开发一个使用keras的机器学习模型，我注意到可用的损失函数在我的测试集上并没有给出最好的结果。
我使用的是Unet架构，我输入一个(16,16,3)图像，网络也输出一个(16,16,3)图片(自动编码器)。我注意到，也许改进模型的一种方法是，如果我使用一个损失函数，将净输出和地面真相之间的梯度(laplacian)上的像素与像素进行比较。但是，我没有发现任何教程可以处理这类应用程序，因为它需要在网络上的每个输出映像上使用opencv laplacian函数。
损失函数如下所示：
def laplacian_loss(y_true, y_pred):
# y_true alread
浏览 1提问于2019-06-27得票数 1
回答已采纳
1回答
我有一组关于不同表面对时间的吸收的数据。这是我的训练数据，我知道每条曲线都属于哪个曲面，但我想设计一个神经网络分类器，它能给出与我输入的输入相对应的输出。
我从来没有使用过分类器，所以我不知道如何从这个开始。我想知道如何确定我的数据集中的特征来进行分类？是否有一个通用的过程，以便我可以决定用于对任意数据进行分类的特性？不仅仅是图像和文本分类，因为大多数教程要么讨论这些问题，要么假设神经网络的输入向量是给定的。
浏览 2提问于2017-04-27得票数 0
回答已采纳
1回答
网络损失停止，应该迅速下降到零。
、、、、
我有一个有30个输入节点、1个隐藏节点和1个输出节点的神经网络。我在一个数据集上训练它，其中输入是30维向量，条目在-1到1之间，目标是这些向量的第二个条目。
我期望网络能够快速地训练和学习输出输入向量的第二项，因为这就像减少网络中连接输入节点和隐藏节点的权重一样简单，除了第二项之外。
然而，损失迅速停滞在大约0.168。如果目标是0，我会期望它很快变为零。
下面的代码显示了随机数据集的问题。
import numpy as np
from tensorflow.keras import models
from tensorflow.keras import layers
import ten
浏览 3提问于2020-06-10得票数 2
回答已采纳
2回答
我正在努力在keras (tf后端)的ANN分类器的输出层中计算梯度w.r.t类。以下是模型的架构：
model = Sequential([
Dense(64, activation='relu', input_shape=(784,)),
Dense(64, activation='relu'),
Dense(10, activation='softmax'),
])
下面是我计算梯度的方法：
outputTensor = model.output
listOfVariableTensors = model.trainable_w
浏览 24提问于2020-02-08得票数 0
2回答
我试图创建一个ANN来解决一个简单的分类问题，我使用的例子是一个程度分类，所以输入的百分比在0-100之间，输出将是五个中的一个(1，2:1，2:2.)。
目前，我已经建立了一个三层神经网络，一个输入神经元，三个隐神经元，五个输出神经元，我用一个输入，例如60和输出(1,0,0,0,0)来训练网络。不过，我不确定如何正确地训练每个输入和输出组合的网络，这样在训练之后，我就能够输入百分比，正确的输出神经元将是最接近1的数字。
网络采用标准的前馈和反向传播算法、随机权值和Sigmoid函数。
我有一个文件，我认为它可以与输入0-100一起工作，输出介于以下之间：
0
1，0，0，0，0
1
1，
浏览 3提问于2015-05-01得票数 0
我知道如何使用numpy数组为训练数据提供数据到多输出Keras模型。但是，我的所有数据都在一个TFRecords文件中，其中包含几个特性列:图像，用作Keras模型的输入，以及对应于不同分类任务的一系列输出:例如。输出编码图像中人的年龄，另一个输出编码体裁，等等。
根据我在例子中看到的，当模型的输出是由不同的头组成时，模型应该有多个数据源，一个用于输入，另一个用于每个输出。
当数据都在一个TFRecords中时，是否有一种简单的方法来做到这一点？我的意思是，不需要为输入和每个输出创建单独的TFRecords？
浏览 0提问于2019-11-05得票数 1
回答已采纳
1回答
所有类的概率相同
、、
我实现了一个完全连接的783 (输入)、128 (隐藏层)和10 (输出) )形状的MLP，隐藏层有一个乙状结肠激活函数，输出是一个软最大值。
我用keras：服装图像的分类的数据集进行了测试。
一开始，我得到的输出是0.1，在所有出口，而不是输入。然后我阅读了这，因为有人询问了权值初始化，所以我将权重初始化从[0，1)之间的正态分布改为[-1，1)。从那以后，我的网络就开始运作了。
为什么会发生这种情况？我相信0.1是一种局部极小值，因为它只说明了所有的概率，至少如果你对数据一无所知的话，那才是有意义的。但是为什么呢？我希望能参考一篇关于这个问题以及如何防止这个问题的论文，因为我现在正在尝试
浏览 0提问于2019-10-22得票数 1
回答已采纳
1回答
如何使用keras后端计算显着图
、、、、
我正在尝试使用keras为MNIST构建一个基本的“普通梯度”显着性热图(基于梯度的特征属性)。我知道有像这个one这样的库来计算显着性热图，但我想从头开始构建它，因为普通的梯度方法在概念上似乎很容易实现。我已经使用函数模型定义在Keras中训练了以下数字分类器： input = layers.Input(shape=(28,28,1), name='input')
conv2d_1 = layers.Conv2D(32, kernel_size=(3, 3), activation='relu')(input)
maxpooling2d_1 = layers
浏览 15提问于2020-07-27得票数 1
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
你好，我是一个使用Torch的'nn‘包的初学者。在过去的两周里，我对火炬'nn‘库中的gradInput和gradOutput的含义感到非常困惑。我相信这里的“梯度”是指梯度，但这两个变量到底指的是什么呢？
感谢任何人的帮助！
浏览 2提问于2015-06-19得票数 0
我最近开始使用Keras来构建神经网络。我构建了一个简单的CNN来对MNIST数据集进行分类。在学习该模型之前，我使用了K.set_image_dim_ordering('th')来绘制卷积层的权重。现在我正在尝试用K.function方法可视化卷积层输出，但我总是出错。
这是我现在想要做的：
input_image = X_train[2:3,:,:,:]
output_layer = model.layers[1].output
input_layer = model.layers[0].input
output_fn = K.function(input_layer,
浏览 0提问于2017-02-05得票数 5
回答已采纳
我正在使用神经网络来预测给定输入位置坐标的Fe等级。总数据分为训练数据= 3495点和测试数据= 617个数据点。
ann = tf.keras.models.Sequential()
ann.add(tf.keras.layers.Dense(units =25, activation = 'gelu'))
ann.add(tf.keras.layers.Dense(units =15, activation = 'gelu'))
ann.add(tf.keras.layers.Dense(units =10, activation = 'g
浏览 0提问于2021-03-11得票数 0
我在使用序列模型时遇到了一个简单的回归问题，我通常会对输入和输出进行标准化以获得良好的结果。
当我不对输出进行标准化时，我会得到饱和的输出性能。你知道问题出在哪里吗？
我试着把输出层改成线性，
activation=tf.keras.activations.linear、activation=tf.nn.relu或activation=tf.nn.relu6。
但性能仍然是“饱和”的。我还尝试删除BatchNormalization层tf.keras.layers.BatchNormalization()，但没有任何改进。
假设一旦我标准化了输出，输出就会变得非常好。
modelF = tf.
浏览 0提问于2019-08-12得票数 0
1回答
我想创建一个具有两个平行层的网络(将相同的输入提供给两个不同的层，并将它们的输出与一些数学运算相结合)。话虽如此，我不确定反向传播是否会由Keras自动完成。作为自定义RNN单元格的简单示例， class Example(keras.layers.Layer):
def __init__(self, units, **kwargs):
super(Example, self).__init__(**kwargs)
self.units = units
self.state_size = units
self.la =
浏览 13提问于2020-12-08得票数 0
回答已采纳
1回答
我有一个tensorflow表达式，我想要使用不同的表达式，这取决于我是要计算向前还是向后(梯度)传递。具体来说，我想忽略一些随机(噪声)添加到网络在反向传递的影响。
下面是一个简化的例子
import numpy as np
import tensorflow as tf
x = tf.placeholder(tf.float32)
y = x**2
u = tf.random_uniform(tf.shape(x), minval=0.9, maxval=1.1)
yu = y * u
z = tf.sqrt(yu)
g = tf.gradients(z, x)[0]
with tf.
浏览 1提问于2018-04-10得票数 3
回答已采纳
我想得到梯度模型的损失函数与特定层的输出在训练期间。接下来我要做的是，在下一个学习时代，用梯度值来修改图层中的一些东西。那么如何获得梯度呢？
下面是一个很小的例子。MinimalRNNCell代码是从TensorFlow的网站复制的，提供玩具数据只是为了复制行为。
import tensorflow as tf
from tensorflow.keras.layers import RNN, SimpleRNNCell, SimpleRNN, Layer, Dense, AbstractRNNCell
from tensorflow.keras import Model
import num
浏览 3提问于2020-03-01得票数 3
回答已采纳
2回答
我现在已经阅读了一些教程，这些教程介绍了如何导入图像以便使用Keras进行分类。据我所见，所有的教程都只是描述多类场景(例如猫/狗类)。这些方法不适用于我的问题。
我想做一个回归，以图像作为输入，并返回图像作为输出。我的问题是:如果没有分类但只有回归，如何轻松地将图像数据传递给Keras？
对于每一对给定的输入和输出培训数据，我很难从以下方面找到一个轻松的导入：
├── input_data
│ ├── input0.png
| ├── input1.png
| └── ...
└── output_data
├── output0.png
├── output1.
浏览 1提问于2020-07-13得票数 2
回答已采纳
对于输入变量(例如，参见)，计算keras模型输出的梯度的标准方法似乎如下所示：
with tf.GradientTape() as tape:
preds = model(input)
grads = tape.gradient(preds, input)
然而，当输入张量很大时(例如，500个输入变量的一千万次观测)，这是极其慢的。上面的代码似乎根本不使用GPU。
当使用model.fit(input)对模型进行训练时，它运行在GPU上，尽管输入张量很大，但速度非常快。
有没有办法加快梯度的计算？
关于版本
我正在运行Python3.8和Tensorflow v2.9.1。
浏览 4提问于2022-08-22得票数 0
我正在使用tensorflow 2.2进行研究，并希望实现一个自定义层，它接受向量(张量)输入并输出向量(张量)。我的输入/输出关系很复杂，我需要创建一个函数来计算正向传递和梯度。我遇到了做这项工作的custom_gradient function。不幸的是，完全不清楚的是如何将其用于矢量或张量输入和输出。特别是，我不知道如何返回雅可比矩阵或其某种形式。 举个简单的例子，假设我的自定义层计算输入a和权重W(权重)的向量矩阵乘积。这就是我解决问题的方法(为了简单起见，跳过初始化权重、构建等步骤)。 @tf.custom_gradient
def custom_op(A,W): # A is
浏览 15提问于2021-09-09得票数 0
我想对不同的图片进行分类，例如猫和狗。为此，我想训练一个通用网络"A“，它只对输入是猫还是狗进行分类。在此之后，每个普通类的专用子网络应该预测狗或猫的种族。
我知道keras的函数式api，以及如何将输出传递到另一个层或网络，但我的问题是如何将输出仅传递给一个专门的网络，以便在我预测一般类之后，将使用的唯一网络是相应的特殊网络。
所以我想在keras中构建类似的东西：
x = Input(shape(100,))
network_a_out = NetworkA(100)(x)
if(network_a_out == classCat)
out = NetworkCat(100
浏览 0提问于2017-08-21得票数 0
我在Keras中设计了一个二进制分类器，它将为每个输入输出1和-1。如果输出是0或1，我可以使用binary_crossentropy作为损失函数。当我将输出更改为1和-1时，我以为故事不会改变，但性能并不好。这是否意味着损失函数binary_crossentropy只在0和1标签上工作？
我知道有一种解决这个问题的替代方法，因为即使在0和1的情况下，最后一层的输出确实是从0和1到1。因此，我可以对输出进行渐增，以满足-1和1的要求，但如果我能够找到一种简单地输出-1和1的方法，那就更好了。
浏览 4提问于2017-11-29得票数 0
回答已采纳
3回答
我正在用一个非常需要CNN模型的记忆来完成分类任务。这对我在训练中可以使用的批次大小提出了一个很大的限制。
一种解决方案是在训练过程中累积梯度，这意味着模型的权重在每一批之后都不会更新。相反，几个批次使用相同的权重，而每个批次的梯度则是累积的，比单个权重更新操作的平均值还要多。
我正在使用Tensorflow后端Keras，并且我非常肯定Keras没有现成的函数/方法来实现这一点。
如何处理Keras/tensorflow模型？
浏览 1提问于2019-03-20得票数 19
回答已采纳
这个问题基本上是针对那些对框架有深入了解的人，或者tf.keras 的工作问题。
据我所知，tf.keras.optimizers.Adam是一个具有自适应学习率方案的优化器。因此，如果我们将from keras.callbacks.ReduceLROnPlateau与Adam优化器或其他优化器一起使用，那么这样做不是毫无意义吗？我没有基于Keras的Optimizer的内部工作方式，但在我看来，如果我们使用自适应优化器，为什么要使用它，如果我们使用这个给定的回调，那么对训练的影响是什么呢？
浏览 7提问于2021-02-23得票数 4
4回答
我目前正在使用Keras框架。并且做了一些简单的分类测试，等等。我想找到一种反向运行网络的方法，使用输出作为输入，反之亦然。有什么办法吗？
浏览 9提问于2016-05-06得票数 8
回答已采纳
我想用一维CNN来预测下一天的太阳能。时间序列数据分辨率为1小时，时长为1年。我正在用第一天的数据训练模型来预测第二天。xtrain = day1，ytrain = day2，xtest = day3来预测day4。
24小时数据输入-> CNN -> 24小时输出
我已经训练了10天的数据(样本)；然后提前4天预测，问题是CNN总是给出相同的输出值，无论输入是什么。然后，我检查了权重，只有输出层的权重是非零的。而且，输出值不会随着输入集的不同而变化。
数据链接：
权重矩阵的图像：
预测值的图表：
代码：
import pandas
from pandas import
浏览 2提问于2018-02-01得票数 2
我有一个像这样的tensorflow模型
def input_spec():
return(
tf.TensorSpec([None, 122], tf.float64),
tf.TensorSpec([None, 5],tf.uint8))
def model_fn():
model=tf.keras.models.Sequential([
tf.keras.layers.Dense(64,input_shape=(122,)),
tf.keras.layers.Dense(32,activation='rel
浏览 7提问于2022-07-31得票数 0
1回答
这个SGD损失图有什么问题？
、、、、
我一直在尝试训练音频分类模型。当我将SGD与learning_rate=0.01，momentum=0.0和nesterov=False一起使用时，我得到了以下损失和准确率图： ? 我想不出是什么原因导致了750年代左右损失的瞬间减少。我尝试了不同的学习率，动量值及其组合，不同的批量大小，初始层权重等，以获得更合适的图形，但根本没有运气。因此，如果您有任何关于这是什么原因的知识，请让我知道。 我在这次训练中使用的代码如下： # MFCCs Model
x = tf.keras.layers.Dense(units=512, activation="sigmoid")(
浏览 10提问于2021-07-29得票数 0
我使用tf.keras实现并训练了一个顺序模型。假设我得到一个大小为8X8的输入数组和一个输出0，1，0，(其余全部0)。
如何计算输入w.r.t到给定输出的梯度？
model = ...
output = np.asarray([0, 1, 0, 0, 0, 0, 0, 0, 0, 0])
input = np.random.randn(1,64)
pred = model.predict(input)
gradient = somefunction(model,input,output,pred)
有什么办法做到这一点吗？
我正在尝试实现一个类似Google深度梦想的项目，这样如果我提
浏览 0提问于2020-07-18得票数 2
回答已采纳
下面是输入到神经网络的数据值的图像：
正如你所看到的，这是dl问题，我尝试使用它进行分类，我创建了两个隐藏层，每个层中有2个神经元。
import keras
# initialsing the ann
from keras.models import Sequential
# to add different layers to ANN
from keras.layers import Dense
classifier=Sequential()
classifier.a
浏览 3提问于2022-06-05得票数 -2
我开始使用图像分类样本来研究tensorflow，这是tensorflow官方文档上的第一个样本。它创建Keras Sequential模型，如下所示：
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28, 28)),
keras.layers.Dense(128, activation='relu'),
keras.layers.Dense(10)
])
输入数据是包含28*28张图像的keras.datasets.fashion_mnist。图像标签在0,1,2...9中。
浏览 3提问于2020-06-12得票数 1
1回答
所以我训练一个关于二元分类问题的神经网络，我的案例(1)和控制(0)是不平衡的，所以我对我的案例进行了过度采样，使得训练集是由控制组成的0.5053。我没有平衡我的测试集，这是0.562控制。一开始，我的训练和测试精度提高了(还不是很准确，但我希望是这样)，但是训练的精度却急剧下降，而测试的精度却是稳定的。
它们的精度分别为0.5053和0.562，因此网络只是对所有事物进行分类。我不明白这种行为是如何产生的，因为我认为平衡我的训练集可以避免将所有事情分类相同的问题。此外，培训集开始从50/50开始学习，但我无法理解它的回归。我能做些什么来阻止这一切吗？或者，当训练的准确性开始下降时，我应该尽
浏览 0提问于2019-07-08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
即时通信 IM
实时音视频活动推荐
腾讯云开发者
