Keras深度变分自动编码器
是一种基于深度学习的自动编码器模型，用于无监督学习和特征提取。下面是对该问题的完善且全面的答案：
概念：
Keras深度变分自动编码器是一种神经网络模型，结合了自动编码器和变分推断的思想。自动编码器是一种无监督学习的神经网络模型，用于学习输入数据的低维表示，同时可以用于特征提取和数据压缩。变分推断是一种概率推断方法，用于估计潜在变量的后验分布。Keras深度变分自动编码器结合了这两种方法，可以学习数据的低维表示，并且可以生成新的样本。
分类：
Keras深度变分自动编码器属于深度学习模型，是一种生成模型。它可以用于无监督学习、特征提取、数据压缩和生成新的样本。
优势：
- 高效的特征提取：Keras深度变分自动编码器可以学习数据的低维表示，提取出数据的重要特征，有助于后续的分类、聚类等任务。
- 数据压缩：通过学习数据的低维表示，Keras深度变分自动编码器可以将数据进行压缩，减少存储和传输的成本。
- 生成新样本：Keras深度变分自动编码器可以学习数据的分布，并且可以生成新的样本，有助于数据增强和生成对抗网络等任务。
应用场景：
- 图像处理：Keras深度变分自动编码器可以用于图像特征提取、图像压缩和图像生成等任务。
- 文本处理：Keras深度变分自动编码器可以用于文本特征提取、文本压缩和文本生成等任务。
- 语音处理：Keras深度变分自动编码器可以用于语音特征提取、语音压缩和语音生成等任务。
推荐的腾讯云相关产品和产品介绍链接地址：
腾讯云提供了一系列与深度学习相关的产品和服务，包括云服务器、GPU实例、人工智能平台等。以下是一些推荐的腾讯云产品和产品介绍链接地址：
- 云服务器：https://cloud.tencent.com/product/cvm
- GPU实例：https://cloud.tencent.com/product/gpu
- 人工智能平台：https://cloud.tencent.com/product/tai
总结：
Keras深度变分自动编码器是一种基于深度学习的自动编码器模型，可以用于无监督学习、特征提取、数据压缩和生成新的样本。它具有高效的特征提取能力，可以应用于图像处理、文本处理和语音处理等领域。腾讯云提供了与深度学习相关的产品和服务，可以支持使用Keras深度变分自动编码器进行模型训练和推理。
相关·内容
1回答
基于keras中的，我构建了一个自动编码器，并在MNIST数据集上对其进行了训练，但是根据我如何重建输入，输出是不同的。
第1行=原始的MNIST test_data
第2行= decoder(encoder(test_data))
第3行= full_vae_model(test_data)
如果您仔细观察，您将看到第2行和第3行中的数字看起来不同。有人能解释一下为什么会这样吗？据我所知，这不应该影响我重建原始数据的两条路径中的哪一条。
这是一个变分自动编码器的结构(从获取的图像)。现在，当我接受输入并通过整个网络传递它时，为什么它不等同于将它传递到潜在向量，然后这个中间结果再次传
浏览 1提问于2018-05-31得票数 2
我正在使用Keras，并尝试使用人工智能和机器学习。我已经做了几个项目，现在我想复制一个数据集。我该往哪个方向学习呢？要开始学习此模型，我应该查找哪些内容？我只需要一位专家给我指出正确的方向。
我要澄清的是，通过复制数据集，我的意思是我想要获取一系列具有易于区分的模式的数字，然后让AI生成类似的新数据。
浏览 22提问于2019-10-31得票数 0
回答已采纳
为了训练去噪自动编码器，我在输入数据中构造了x+n，在输出数据中构造了x(x:原始数据，n:噪声)。学习完成后，我通过一个去噪自动编码器(x_test + n_test -> x_test)获得去噪数据。然后，作为测试，我通过将输入和输出数据构造成相同的值来训练自动编码器，就像传统的自动编码器一样。
(x -> x)
因此，在测试阶段，我获得了类似于去噪自动编码器的去噪数据。为什么通过传统的自动编码器来消除噪音？
请告诉我这两个自动编码器的区别。
浏览 4提问于2018-08-05得票数 2
回答已采纳
1回答
我做了几个图像自动编码器的例子，它们工作得很好。现在，我想为文本做一个自动编码器，它接受一个句子作为输入，并返回相同的句子。但是当我尝试使用和图像相同的自动编码器时，我会得到不好的结果。
我想这是因为我的文字很稀少，词汇量很大，只有500 K。
您有用于Keras中文本的自动编码器工作示例的链接吗？
我看到，在大多数论文中，他们使用交叉熵作为损失函数。交叉熵是如何精确计算损失的？即使我用字符自动编码器做一个字符，使用交叉熵也有意义吗？
浏览 0提问于2018-03-25得票数 9
1回答
如果我有一组N个数据，那么每个数据都有4个特征。我不知道这些特征之间可能存在(或不存在)的关系。
是否有可能从我最初的集合中生成新的数据，以尊重特性之间可能存在的隐式关系，而不必显式地找到这些关系？
浏览 0提问于2017-02-09得票数 2
回答已采纳
我读过许多论文，推荐使用变分自动编码器而不是自动编码器，因为它们具有更多的概率方法，并且能够在潜在维度上使用KL散度。但是，在对这两个网络进行测试时，我发现变分自动编码器输出的可变性降低了网络的精度，使用自动编码器的效果更好。我仍然致力于非常简单的数据和培训我的网络上的正常图像，没有任何增强或改变的背景。
变分自动编码器的性能是随着数据的增加而增加的，还是有其他的原因来选择它而不是自动编码器呢？
或者自动编码器在异常检测方面表现更好？
浏览 0提问于2019-04-03得票数 1
1回答
我试图理解和提高变分自动编码器的丢失和准确性。我用一个简单的二进制数据填充了自动编码器：
data1 = np.array([0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0,
1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0], dtype='int32')
data2 = np.array([1, 0, 0, 0, 0, 0, 0, 0, 0,
浏览 0提问于2018-04-11得票数 0
1回答
我试图理解自动编码器的丢失功能。
我认为解码器的丢失功能是将输入图像与解码图像进行比较，告诉我是否正确。
但我不明白如何比较才能找到编码器错误。
有人向我解释说，它是用来找编码器错误的。和解码器。
浏览 0提问于2020-10-23得票数 0
1回答
我理解KL散度是如何为我们提供一个度量一个概率分布与另一个参考概率分布是如何不同的。但是为什么它们在VAE中(而不是交叉熵)被特别使用(这是生成的)？
浏览 0提问于2020-09-24得票数 4
1回答
正确设置堆叠式自动编码器
、、、、
我试图在Keras (tf.keras)中构建一个堆叠的自动编码器。叠层并不是指deep。我为Keras找到的所有例子都是生成例如3个编码器层，3个解码器层，他们训练它，并称之为一天。然而，训练叠层自动编码器的正确方法似乎是本文所描述的方法：。
简单地说，SAE应该是按层方向训练的，如下图所示。第一层训练后，作为第二层训练的输入，重建损失应与第一层而不是输入层进行比较。
我的麻烦就从这里开始。如何告诉Keras在哪些层上使用损失函数？
我就是这么做的。由于Keras中不再存在自动编码器模块，所以我构建了第一个自动编码器，并在第二个自动编码器的第一层设置了编码器的权重(trainabl
浏览 3提问于2018-09-07得票数 20
1回答
自动编码器以减少输入数据大小
、、、、
目前，我想使用自动编码器来减少输入数据的大小，以便将减少的数据用于另一个神经网络。我的任务是拍摄一段视频，然后将视频的图像提供给自动编码器。当我只使用几张图像作为输入时，自动编码器工作得很好，但当我想要一系列图像时，它就不行了。
想象一下，从一个移动的球上拍摄视频。例如，我们有200张图片。如果我对200张图像使用自动编码器，误差很大，但如果我只对5张图像使用，重建误差很小，可以接受。似乎自动编码器不学习球循环的顺序或时间运动。我也尝试使用堆叠式自动编码器，但效果不佳。
有没有人知道问题是什么，或者可以使用自动编码器来完成这项任务？
浏览 1提问于2013-12-04得票数 2
1回答
具有非随机输入的GAN
、、、
我对那些时候的GAN很感兴趣。
我为MNIST编写了一个模型，结构如下:生成器模型、鉴别器模型、Gen + Dis模型
生成器模型从随机分布中生成批量图像。描述者对它和真实图像进行了训练。然后将鉴别器冻结在Gen+Dis模型中，并训练生成器。(与冻结的鉴别器谁说发电机是好的或不好的)
现在，假设我不想给我的生成器提供随机分布，而是提供图像。(例如，用于放大，或从绘图生成真实图像)
我需要更改其中的某些内容吗？(除了conv模型谁会更复杂)我应该继续使用binary_crossentropy作为损失函数吗？
非常感谢！
浏览 14提问于2017-01-05得票数 3
1回答
信号压缩技术
、、、、
我收到了长度为26000的信号。此信号是从机器传感器收集的。以一种非常简单的方式，我们可以告诉你，我们将传感器连接到机器上，然后我们只从机器上收集了1秒的信号。这1秒的信号长度是26000。这意味着采样频率为26,000 Hz。
我的问题是，如果我想把这个信号用于我的基于深度学习的算法..假设CNN和其他公司，这个规模是非常大的。(我们已经收集了很多信号，所以我们并不是只向深层网络传递一个信号)。如何减小信号的大小，或者如何在不丢失大量信息的情况下压缩信号。
因此，如果我有一个大小很大的信号，并且我想将它压缩成较小的大小，有什么可以建议的技术吗？
提亚
浏览 0提问于2020-05-23得票数 0
使用Tensorflow，可以使用tf.summary监测训练期间的数量。
是否可以使用Keras进行同样的操作？您可以通过修改上的代码并监视KL丢失(定义)来包括一个示例吗？
提前谢谢你！
浏览 2提问于2017-04-19得票数 2
回答已采纳
1回答
我想尝试实现一个自动编码器完全连接的卷积神经网络作为Unet，以将一幅图像转换为另一幅具有未知非线性关系的图像。 我有高斯核卷积算法，它工作得很好，但我想尝试一些机器学习的方法。 你有没有其他的ANN架构的想法？没有标准的完全连接的ANN (已经尝试了很好的效果)，非常感谢
浏览 13提问于2020-01-16得票数 0
我正在尝试推算图像，比如：
mnist图像补偿的例子。
如何使用deeplearning4j VAE或SDA来完成此操作？
浏览 0提问于2017-03-24得票数 1
1回答
我有一个包含文本列的数据集。我使用tf-以色列国防军将这些文本列转换为数字列。我想减少数据集的维度，因为tf创建了许多新的特性/列。
我正在考虑使用自动编码器通过使用编码层的输出来减少数据的维数，将这些输出连接到我的数据中，并使用它作为随机森林的训练集。
我的问题是:上述步骤听起来合理吗？特别是，我是否应该在整个数据集上对自动编码器进行训练，然后将编码层的输出(经过训练后)作为新列来填充随机林？见下面的代码
我使用Keras，所以在定义了自动编码器模型之后，我对整个数据集进行了拟合，然后仅使用编码层对整个数据集进行了预测。然后用这些预测作为我最新的数据。
下面是我使用的代码：
def auto
浏览 0提问于2019-12-01得票数 1
回答已采纳
2回答
我正在处理的数据需要分类，如果一个病人是否会发展为癌症在未来，根据医疗测试，随着时间的推移。这些测试是有顺序关系的。例如: A，B，C，等等：
| Patient ID | Test ID | RBC Count | WBC Count | Label
| 1 | A | 4.2 | 7000 | 0
| 1 | B | 5.3 | 12000 | 0
| 1 | C | 2.4 | 15000 | 1
| 2 |
浏览 0提问于2018-08-31得票数 1
1回答
我一直在查看keras博客中的自动编码器：https://blog.keras.io/building-autoencoders-in-keras.html
我想知道，为了能够给出不同的表面，也就是二维矢量，需要什么母题，其中一些向量有很大的尖峰。
例如，这里我们看到一个表面看起来很干净：
📷
如果我想从这个表面去除单个的刺，神经网络会是什么样子的呢？
我是否正确地认为，一个正常的完全连接的前馈传播就足够了？如果是的话，是否有任何方法来控制阈值时，峰值是应该消除的？
此外，你是否同意训练原则仍会与在卡拉斯博客中显示的一样？如果我简单地用许多清洁表面的好例子训练它来识别自己，它会起作用吗？
浏览 0提问于2017-08-09得票数 2
回答已采纳
1回答
自动编码器不适用于图像
、、、
我有一个数据集，我正在尝试用Pytorch自动编码(有人告诉我卷积自动编码器是可行的)。这个数据集中的每个“点”都是一个1024位的向量，我正在尝试将这些向量编码成可能有10个值的向量。
我一直在寻找示例，但我能找到的所有内容都涉及到图像编码，所以我正在努力解决如何将其应用于我的数据集。
例如，对于为MNIST数据集创建自动编码器的代码：
import torch.nn as nn
import torch.nn.functional as F
# define the NN architecture
class ConvAutoencoder(nn.Module):
def __i
浏览 0提问于2021-03-01得票数 0
我正在审查tensorflow和Keras中的LSTM单元的文档。特别是，我也想申请退学。下面是我在Keras中的内容，并希望在tensorflow中应用相同的LSTM单元：
cell = LSTM(num_units_2, return_sequences=True, dropout=dropout, recurrent_dropout=dropout)(net)
因此，我知道我需要在带有tf.nn.rnn_cell.LSTMCell的tensorflow中使用num_units = num_units_2。其次，我需要一个DropoutWrapper，如：
cell = tf.nn.rnn
浏览 1提问于2018-08-13得票数 3
回答已采纳
在我的项目中，我试图根据用户给其他电影的评分来预测用户对一部看不见的电影的评分。我使用的是movielens dataset.The主文件夹，它是ml-100k，包含关于100,000 的信息。
在对数据进行处理之前，主要数据(分级数据)包含用户ID、电影ID、用户评等(从0到5，以及该项目考虑的).I，然后使用sklearn库将数据拆分为培训集(80%)和测试数据(20%)。
为了创建推荐系统，正在使用模型‘Stacked-Autoencoder’。我使用的是PyTorch，代码是在Google 上实现的。这个项目是基于这个
我刚开始深造，我想把这个模型(Stacked_Autoencode
浏览 2提问于2020-07-10得票数 0
回答已采纳
1回答
我有点困惑KL发散是如何应用的，特别是在Keras中，但我认为这个问题对于深度学习应用来说是一个普遍的问题。在keras中，KL损失函数定义如下：
def kullback_leibler_divergence(y_true, y_pred):
y_true = K.clip(y_true, K.epsilon(), 1)
y_pred = K.clip(y_pred, K.epsilon(), 1)
return K.sum(y_true * K.log(y_true / y_pred), axis=-1)
在我的模型中，y_true和y_pred是矩阵；每一行y_t
浏览 0提问于2017-06-05得票数 7
回答已采纳
我试图深入了解VAE，通过自己来实现它，当将解码器输入层的损耗反向传播到编码器输出层时会遇到困难。
我的编码器网络输出8对(sigma，mu)，然后结合随机取样器的结果，为解码器网络生成8个输入值(z)：
decoder_in = sigma * N(0,I) + mu
然后对解码器网络进行前向传播，计算MSE重构损失和反向传播权值，并计算到译码器输入层的损耗。
在这里，我完全坚持，因为没有可理解的解释如何从解码器输入层向编码器输出层反向传播损失。
我最好的想法是存储从N(0，I)到(epsilon)的采样结果，并以这样的方式使用它们：
L(sigma) = epsilon * dL
浏览 4提问于2020-08-05得票数 6
回答已采纳
在变分式自动编码器中，编码器必须具有与解码器相同的层数吗？我的编码器(密度)：54-10-5-3，解码器(密度)：3-5-10-25-35-45-54，我得到了更好的结果。
浏览 1提问于2018-05-02得票数 3
回答已采纳
1回答
基于keras的图像序列预测
、、、、
最近我和keras玩得很开心，我想知道如何处理这个问题。
我有一个100张图片的序列。它们是连续100天的雷达地图的每日图像。我想预测下一天的图像。
这些图像可以解释为n×m维(不是正方形)的矩阵。
这是否适用于lstm nn？你将如何处理这个问题？
感谢你分享你的想法！
浏览 0提问于2017-11-30得票数 5
1回答
当我训练我的自动编码器时，无论我训练多少，损失都不会改变。
#Importing training data
inp = open('train.csv',"rb")
X = pickle.load(inp)
X = X/255.0
X = np.array(X)
X = np.reshape(X,(-1,25425))
input_img =tf.keras.layers.Input(25425,)
encoded1 = tf.keras.layers.Dense(75,activation=tf.nn.relu)(input_img)
encoded2
浏览 0提问于2019-08-25得票数 1
最近，我被问到如何用未标记的数据预训练深度神经网络，这意味着，我们不再用小的随机数初始化模型的权重，而是从预先训练的模型(和未标记数据)中设置初始权重。
嗯，直觉上，我有点理解，它可能有助于消失梯度问题，并缩短培训时间时，没有太多的标签数据可用。但是，我还是不知道它是怎么做的，你怎么能用没有标签的数据来训练一个神经网络呢？是SOM机器还是Boltzmann机器？
有人听说过这个吗？如果是，你能提供一些链接到资料来源或论文。我很好奇。非常感谢！
浏览 1提问于2018-11-14得票数 0
回答已采纳
1回答
我有一个数据集：
100 timesteps
10 variables
例如,
dataset = np.arange(1000).reshape(100,10)
这10个变量是相互关联的。所以我想把它的维数从10降到1。还有，100个时间步长是相关的。
哪个深度学习架构适合它的家伙？
编辑：
from keras.models import Sequential
from keras.layers import LSTM, Dense
X = np.arange(1000).reshape(100,10)
model = Sequential()
model.add(LSTM(inpu
浏览 1提问于2018-04-06得票数 1
回答已采纳
1回答
变分自动编码器: MSE与BCE
、、、、
我正在使用一个变分自动编码器，我看到有些人使用MSE损失，有些人使用BCE损失，有人知道其中一个比另一个更正确吗?为什么？ 据我所知，如果你假设VAE的潜在空间向量服从高斯分布，你应该使用MSE损失。如果你假设它服从多项分布，你应该使用BCE。此外，BCE偏向于0.5。 有人能给我解释一下这个概念吗？我知道这与信息期望的下限变分项有关。 非常感谢!
浏览 28提问于2020-12-10得票数 0
回答已采纳
2回答
是否有可能预测特定输出的"Keras神经网络“的输入？
例如，我有一个具有28输入和3输出的数据集。所以，我在Keras训练过模型，效果很好。现在，我必须在输出中输入特定的值，我必须预测输出的输入是什么。
浏览 2提问于2020-03-11得票数 0
1回答
我有一个自动编码器，我用不同的解决方案检查了我的模型的准确性，比如改变conv层的数量并增加它们，添加或删除批处理规范化，更改激活函数，但是它们的准确性都是相似的，而且没有任何奇怪的改进。我很困惑，因为我认为这些不同的解的精度应该是不同的，但它是0.8156。你能帮帮我吗?有什么问题吗？我也训练它10000个时代，但输出是相同的50个时代！我的代码是错误的还是不能变得更好？！
我也不确定学习率衰不起作用？！我也把我的代码放在这里：
from keras.layers import Input, Concatenate, GaussianNoise,Dropout,BatchNormalizat
浏览 0提问于2019-02-12得票数 3
回答已采纳
1回答
我有一个简单的非线性函数y=x.^2，其中x和y是n维向量，平方是一个分量平方。我想用Matlab中的自动编码器用一个低维的向量来近似y。问题是，即使低维空间被设置为n-1，我也会得到扭曲的重建y。我的训练数据看起来像，这是一个从低维空间重建的典型。我的Matlab代码如下所示。
%% Training data
inputSize=100;
hiddenSize1 = 80;
epo=1000;
dataNum=6000;
rng(123);
y=rand(2,dataNum);
xTrain=zeros(inputSize,dataNum);
for i=1:dataNum
xT
浏览 0提问于2016-01-10得票数 2
我被困在一个大学项目的Tensorflow卷积神经网络上，我希望有人能帮我。
它应该输出一张图片作为图片输入。左是输入，右是输出。两者都是.jpeg格式的。
重量看上去像这样。左图像显示了学习前的权重，右图是经过几个时期后的，随着训练的深入，它一点也不变化。
网络似乎没有学到任何有用的东西，我有一种感觉，我忘记了一些基本的东西。当学习时，准确率约为5%。
我不知道是加载还是保存图像出错了？
我基于tensorflow mnist教程编写的代码。下面是我缩短的代码，以使其更易读：
import tensorflow as tf
from PIL import Image
import n
浏览 2提问于2018-03-09得票数 0
回答已采纳
1回答
我面临的问题是，我希望匹配彼此相似的属性(房屋/公寓等)(例如经度和纬度(数字)、卧室(数字)、地区(类别)、条件(分类)等)。使用深度学习。数据是异构的，因为我们混合了数字和分类数据，而问题是无监督的，因为我们没有使用任何标签。
我的目标是获得属性相似性的度量，这样我就可以为每个目标属性找到最匹配的属性。我可以使用KNN，但我想使用一些可以让我找到嵌入并使用深度学习的东西。
我想我可以确定一个混合距离度量，比如Gower距离作为损失函数，但是我如何建立一个模型来确定，比如说，我的样本中每个目标属性的前10个匹配？
任何帮助或指向类似问题集(Kaggle，notebooks，github)的人
浏览 1提问于2019-10-25得票数 1
2回答
我有一个问题，在一个卷积自动编码器过滤器的数目。据我所知，随着网络的深入，convolutional layer中的过滤器数量增加了。一个典型的模式是16, 32, 64, 128, 256, 512 ...
现在，我正在查看Autoencoders，在Keras博客上，我注意到他们的做法正好相反。它们从第一层的16过滤器开始，然后减少过滤器的数量：
https://blog.keras.io/building-autoencoders-in-keras.html
现在，我想知道在使用Autoencoders时，这种情况是否常见，还是取决于网络应该学习什么样的特性？
提前谢谢你，
干杯,
迈克
浏览 0提问于2019-07-03得票数 0
回答已采纳
2回答
我的理解是，对于某些类型的seq2seq模型，您需要训练编码器和解码器，然后将编码器放在一边，只使用解码器进行预测。例如，优步的seq2seq时间序列预测模型：
📷
现在，我正试图在Keras中实现这个to版本。
这是普通LSTM的Keras代码：
# define model
model = Sequential()
model.add(LSTM(50, activation='relu', input_shape=(n_steps, n_features)))
model.add(Dense(1))
model.compile(optimizer='adam'
浏览 0提问于2019-07-27得票数 4
1回答
基于3D CNN的自动编码器
、、、、
我正在实现一个基于CNN的3D自动编码器。
我想纠正错误
conv3D_encoder = keras.models.Sequential([
keras.layers.Conv3D(filters = 16, kernel_size = (3,3,3), padding = "same", input_shape=[8, 160, 160, 3], activation='relu'),
keras.layers.MaxPooling3D(pool_size = (2,2,2)),
keras.layers.Conv3D(filters = 32, ke
浏览 5提问于2022-06-14得票数 0
1回答
嗨，伙计们，我和自动编码器一起工作，我试图从一个特定的自动编码器层获得功能(我对潜在空间不感兴趣)。我使用以下代码：
#Define autoencoder
import keras
input_shape = (1, 512, 512, 1)
SIZE = 512
encoder = keras.models.Sequential()
encoder.add(keras.layers.Conv2D(32, (9, 9), activation='elu', padding='same', input_shape=(SIZE, SIZE, 1)))
en
浏览 1提问于2021-06-29得票数 0
回答已采纳
1回答
如何改进我的U网噪音预测？
、、、、
我正在做一个U-net项目，在那里我想精确提取OCT扫描的某个区域。我只训练了20张图片+面具，因为我只想得到第一个结果。我想确定我的预测中噪音的原因，然后请我工作的专家来生产其他的面具。
以下是关于培训集的一些说明：
然而，我的预测如下：
这是我的模型架构：
inputs = tf.keras.layers.Input((IMG_HEIGHT, IMG_WIDTH, IMG_CHANNELS))
s = tf.keras.layers.Lambda(lambda x: x / 255)(inputs)
#Encoder path
c1 = tf.keras.layers.Conv2D
浏览 7提问于2022-07-13得票数 0
回答已采纳
我有一个很大的“时间序列”数据集，如下所示：
Date Day of the week Days Since last Happy Out of town Happy
1/1/20 Monday 0 1 1
1/2/20 Tuesday 1 0 0
1/3/20 Wednesday 2 0
浏览 19提问于2020-05-11得票数 0
我正在训练一个变分自动编码器，我得到了一个损失图，如下所示：
📷
在224号时代之后，val损失超过了火车损失，并且变得越来越大，但速度非常慢，你可以注意到。我训练了300个时代。
对训练有什么看法。我不认为这是过分适合的数据。但我想确定一下，并因此征求数据科学界的意见。
谢谢。
浏览 0提问于2021-04-02得票数 0
我想要生成一个从RGB图像(256×256×3)中提取的一维特征向量，使用预先训练的模型。假设我从一个形状为(N_images，256,256，3)的张量开始，我想获得一个形状为(N_images，M_features)的张量，其中M_features是用户选择的特征数。我在keras/tensorflow 中找到了一个可行的解决方案(参见：“使用VGG16提取特性”)，并尝试了以下代码(使用ResNet50)：
from tensorflow.keras.applications.resnet50 import ResNet50
from tensorflow.keras.preproces
浏览 2提问于2022-07-26得票数 0
1回答
我正在使用Python，Tensorflow和Keras在450x450RGB的手表正面图像(例如)上运行自动编码器。我的目标是使用这些图像的编码表示，这些图像是由自动编码器生成的，并将它们进行比较，以找到它们之间最相似的手表。目前，我使用1500 rgb图像，因为我还没有GPU，而只有一台具有26BG RAM的pc。
我的源码如下：
from keras.layers import Input, Dense
from keras.models import Model
import cv2
import numpy as np
from sklearn import preprocessin
浏览 15提问于2018-02-23得票数 1
回答已采纳
我有两个数据集，一个是原始图像，另一个是噪声数据集，我正在应用自动编码器来生成图像，但是重建的图像非常糟糕，您能看到潜在的问题是什么吗?精度也是0.0000，下面是我的model.fit()代码，如果需要其他信息，请告诉我。
input_size=x_train.shape[1]
hidden_size=128
code_size=32
input_img=tf.keras.Input(shape=(input_size,))
hidden_1=layers.Dense(hidden_size, activation='relu') (input_img)
code=la
浏览 3提问于2022-06-23得票数 0
回答已采纳
1回答
如何从神经网络输出3D张量？
、、、、
我的主要输入特性是60x256x256的numpy数组，它将生成一个60x256x256的二进制掩码(也是numpy数组的形式)。二进制掩码起到了标签的作用，但我不知道如何从我的神经网络生成3D数值数组或张量输出。这是我当前的代码：
model = tf.keras.Sequential()
model.add(tf.keras.layers.Conv2D(32, kernel_size=(5, 5), strides=(1, 1),
activation='relu',
input_shape=(60, 25
浏览 0提问于2021-08-06得票数 1
我将使用deeplearning4j平台上的示例对我自己的图像进行异常检测。我像这样修改代码：
int rngSeed=123;
Random rnd = new Random(rngSeed);
int width=28;
int height=28;
int batchSize = 128;
MultiLayerConfiguration conf = new NeuralNetConfiguration.Builder()
.seed(12345)
.iterations(1)
浏览 4提问于2017-01-10得票数 0
回答已采纳
1回答
我正在尝试使用自动编码器和Keras来检测欺诈。我以的形式编写了以下代码
import numpy as np # linear algebra
import pandas as pd # data processing, CSV file I/O (e.g. pd.read_csv)
from sklearn.preprocessing import StandardScaler
from keras.layers import Input, Dense
from keras.models import Model
import matplotlib.pyplot as plt
data
浏览 14提问于2017-08-07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
实时音视频
对象存储
即时通信 IM活动推荐
腾讯云开发者
