Keras网络不是训练
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网络不是训练，而是用于定义和配置神经网络模型的结构。
Keras网络的主要特点包括：
- 简单易用：Keras提供了简洁的API，使得构建神经网络模型变得简单快捷。它的设计理念是用户友好的，使得初学者也能够轻松上手。
- 多后端支持：Keras可以在多个深度学习后端上运行，包括TensorFlow、CNTK和Theano。这使得用户可以根据自己的需求选择合适的后端。
- 模块化：Keras提供了丰富的模块，包括各种层、激活函数、优化器等，用户可以根据自己的需求灵活地组合这些模块来构建自己的神经网络模型。
- 高度可扩展：Keras支持自定义层和模型，用户可以根据自己的需求扩展Keras的功能。
Keras网络适用于各种深度学习任务，包括图像分类、目标检测、语音识别、自然语言处理等。它在学术界和工业界都得到了广泛的应用。
腾讯云提供了一系列与深度学习相关的产品和服务，可以与Keras网络结合使用。其中，腾讯云的AI Lab提供了深度学习平台，用户可以在上面使用Keras进行模型训练和推理。此外，腾讯云还提供了GPU实例、弹性计算等基础设施服务，以支持深度学习任务的高性能计算需求。
更多关于腾讯云的深度学习产品和服务信息，您可以访问以下链接：
相关·内容
我想将keras训练的模型集成到tensorflow网络中，以帮助训练tensorflow模型，也就是说，keras模型不需要再次训练，它只会为tensorflow模型产生损失。下图是基本的网络架构。
下面的代码是为keras模型生成损失。但是，不幸的是，它未能加载预训练的keras模型，尽管它没有给出任何错误。也就是说，代码可以工作，但它只是加载了一个随机模型(变量的随机值)，它返回了一个随机值，而不是预先训练的模型生成的值。
def keras_loss(sess,prediction):
#import package
from keras.models import Mo
浏览 0提问于2018-07-25得票数 0
1回答
我在Keras的自定义损失函数上遇到了问题。这些任务看起来相当简单，但由于意外的行为而无法进行。这个想法是用一些额外的东西加入tf.keras.losses.SparseCategoricalCrossentropy。首先我想确认，如果我只是在自定义损失函数中使用稀疏分类交叉，它不会改变网络训练。
默认解决方案是设置
model.compile(loss="sparse_categorical_crossentropy",...)
这是没有问题的。网络学习并显示出训练和验证准确性的改进。
但是，当我定义自定义损失时
def new_loss(y_true,y_pred):
浏览 0提问于2020-08-16得票数 1
1回答
我正在尝试教tensorflow-keras神经网络在5*5网格上玩picross。理想情况下，网络的输出层将有25个神经元，如果正方形已满，每个神经元的正确激活为1，如果为空，则正确激活为0。
因此，一个训练示例的正确答案“激活”应该是一个由1和0组成的字符串，25位长。然而，到目前为止，我只知道如何训练一个网络，使每个训练示例都有一个正确的答案。
我训练了一个神经网络来对MNIST手写数字进行分类。
我已经设置了一种生成训练数据的方法，包括picross网格和相关提示。
#x_train is a list of lists. Each sub_list contains the rele
浏览 0提问于2019-07-29得票数 0
1回答
CNN的验证准确率没有提高
、、、、
我有大约8200张图像用于人脸检测任务。其中4800个包含人脸。其他3400张图像包含3D人脸面具(由橡胶/乳胶制成)、人类卡通脸和猴子的脸。我想检测给定的图像是否包含真实的人脸。
我已经训练了许多网络，改变了超参数，但每次我的训练准确率都高达98%以上，验证准确率保持在60-70%左右。我已经尝试过包含3-5个Conv层和一个FC层的网络。我使用了L2正则化，批量范数，数据增强和丢弃来消除过拟合。然后，随着训练的进行，我尝试降低Adam优化器的学习率。我对网络进行了超过100个时期的训练，有时高达200个时期。然而，我能达到的最好的验证准确率(数据集的20%)是71%。有没有办法将验证准确率
浏览 1提问于2019-09-26得票数 0
1回答
我想要“损害”一个经过训练的keras网络的层，看看对这个单层的损害如何影响网络的性能。所以基本上我想：
1)负载训练网络
2)调用目标层并初始化其权重，将其放回网络中。
3)计算网络精度。
我在Google和DenseNet201后端的Keras中使用TensorFlow模型
import tensorflow as tf
import pandas as pd
import numpy as np
from keras.applications.densenet import DenseNet201
from keras.preprocessing import image
from ke
浏览 2提问于2019-01-14得票数 1
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
我想在我的模型中添加一个层，在评估过程中接受输入，应用一些转换(在本例中是量化，但可以是任何形式)，并将其作为输出返回。然而，这一层在训练期间必须是完全透明的，这意味着它必须返回相同的输入张量。 我编写了以下函数 from keras.layers import Lambda
import keras.backend as K
def myquantize(x):
return K.in_test_phase( K.clip(K.round(x*(2**5))/(2**5),-3.9,3.9) , x) 然后我通过Lambda层使用它 y = keras.layers.Conv1D
浏览 18提问于2019-08-29得票数 1
我需要用少量的节点创建一个简单的神经网络模型，对其进行训练，然后评估得到的已经训练好的网络中的某些参数。 我需要重复几次(>100)。因此，我只想重新初始化权重，而不是每次都创建一个新模型。 以下是我的代码中有问题的部分： import tensorflow as tf
from tensorflow import keras
from keras import backend as K
def reinitLayers(model):
session = K.get_session()
for layer in model.layers:
浏览 66提问于2019-03-20得票数 0
我想知道keras是如何使用计算机资源的。
例如，假设我们使用keras序列类来训练具有4个图像输入和1个图像输出的海量数据集。图像的大小为640x480，网络的权重约为5M。如果我们将训练批大小设置为4，那么在哪里加载输入图像( RAM或VRAM )，在哪里加载网络？
我之所以想知道这一点，是因为当我使用16x(96x96x3)训练一个批量大小为32的网络时，具有16M权重的网络工作得非常好。
但我无法使用4x(480x640x3)训练一个批量大小为3的网络，网络的权重为5M (现在我的设备训练批量大小为2)。我不能理解Keras是如何使用资源的，所以我想找到最有效的方法来训练具有更大批量的
浏览 2提问于2021-01-02得票数 1
1回答
假设我用自己的损失函数定义了四个神经网络模型。下一个神经网络的输入依赖于前一个网络的输出。
Model1 -> Model2 -> Model3 -> Model4
为了简单起见，让四个神经网络显示如下：
from tensorflow import keras
from tensorflow.keras import layers
import numpy as np
x = np.random.rand(300,10)
y = np.random.rand(300,1)
# Model 1
inputs1 = keras.Input(shape=(10))
x1 =
浏览 0提问于2021-03-25得票数 2
回答已采纳
我使用的是带有TF后端的Keras。我想使用python建立一个带有keras的神经网络，然后保存它，将其转换为tensorflow，并使用TF的C++ API对其进行训练。
到目前为止，我发现的东西已经很有帮助了：
1)
2)
不幸的是，这两种方法都使用Keras来训练NN，然后将其转换为TF。基本上，我只想使用Keras设置体系结构，然后使用TF的C++应用程序接口训练网络。有没有办法做到这一点？
感谢您的帮助！
浏览 0提问于2018-12-07得票数 0
我一直在尝试保存我的神经网络模型的权重，以便我可以使用它的一些层用于另一个神经网络模型，以便在另一个数据集上进行训练。 预训练模型： model = Sequential()
model.add(tf.keras.layers.Dense(100, input_shape=(X_train_orig_sm.shape)))
model.add(tf.keras.layers.Activation('relu'))
model.add(tf.keras.layers.Dropout(0.2))
model.add(tf.keras.layers.Dense(10))
model
浏览 33提问于2021-04-13得票数 0
回答已采纳
我用Keras和Tensorflow编写了一个神经网络模型，并且能够训练和运行它。此时，我想知道训练模型需要多少内存。如何在培训阶段打印这些信息？我尝试了下面的Keras模型分析器，但它没有解释训练阶段所需的峰值内存。例如，训练我的模型显示在6GB的GPU卡上内存不足，但是配置文件显示内存需求小于1GB。那么，当我在model.fit()中使用Keras时，如何度量运行时的峰值内存需求呢？
浏览 2提问于2022-01-18得票数 2
回答已采纳
1回答
我不能理解如何使用已经训练好的神经网络模型。我在python上编程，我使用的是库keras。我分析时间序列。训练神经网络，保存模型。
正如keras文档中所述，您需要调用model_name.predict ()方法。好的。我这样做: model.predict ( dataset )，其中dataset是过去90天的值。我需要提前预测，比如说，10天。
但是预测只针对指定的数据集90天！也就是说，您只能比较原始数据和预测。
那么，从今天开始如何提前10天进行预测呢？
浏览 18提问于2018-01-24得票数 0
1回答
访问神经网络权值和神经元激活
、、、、
在使用Keras训练网络之后：
我想以某种顺序访问网络的最终训练权重。
我想知道每个输入的神经元激活值。例如，经过训练后，如果我通过X作为网络的输入，我想知道网络中每个神经元的X的神经元激活值。
Keras提供了对这些东西的API访问吗？我想做进一步的分析，基于神经元的激活值。
Update：我知道我完全可以使用Theano来完成这个任务，但是Theano需要更低级别的编码。而且，既然Keras是建立在Theano之上的，我认为有可能有办法做到这一点？
如果Keras不能做到这一点，那么在Tensorflow和Caffe之间，哪个可以呢？Keras是最容易使用的，其次是Tens
浏览 2提问于2016-04-23得票数 5
回答已采纳
我正在使用Keras之上的Theano创建一个MLP，我训练和使用预测时间序列。独立于我的网络的结构和深度，我无法弄清楚(Keras文档，StackOverflow，搜索网络.)哪种训练算法(反向传播，.)Keras的model.fit()函数正在使用。
在Theano (以前没有Keras使用)中，我可以用以下方法定义参数的调整方式
self.train_step = theano.function(inputs=[u_in, t_in, lrate], outputs=[cost, y],
on_unused_in
浏览 4提问于2017-08-23得票数 0
回答已采纳
Keras是深度学习库TensorFlow Keras(和其他库)的轻量级包装器，用于帮助构建、训练和部署神经网络和其他机器学习模型。我能用火车图书馆从检查点恢复训练吗？
浏览 2提问于2020-07-01得票数 2
1回答
我目前正在学习Keras，这是一个深度学习模块。
我遇到了一个我无法理解的句子，因为我不知道python包装器是什么。
from keras.models import Sequential
#Create the Sequential model
model = Sequential()
“keras.models.Sequential类是神经网络模型的包装器，它将网络视为一系列层。它使用用于训练和运行模型的常用方法(如compile()、fit()和evaluate() )来实现Keras模型接口。”
在上面的句子中，什么是Python包装器，它是做什么的？
浏览 0提问于2019-11-11得票数 0
2回答
我正在训练一个复杂的网络，一旦验证错误达到90%，我想停止训练。我曾考虑过使用EarlyStopping并将基线设置为.90，但当验证精度低于给定时间的基线时(这里仅为0)，它就会停止训练。所以我的代码是：
es=EarlyStopping(monitor='val_acc',mode='auto',verbose=1,baseline=.90,patience=0)
history = model.fit(training_images, training_labels, validation_data=(test_images, test_labels),
浏览 4提问于2020-01-02得票数 5
回答已采纳
我正在尝试在keras中模仿pytorch神经网络。 我确信我的keras版本的神经网络与pytorch中的非常接近，但在训练过程中，我看到pytorch网络的损失值比keras网络的损失值要低得多。我想知道这是不是因为我没有正确复制keras中的pytorch网络，或者两个框架中的损失计算是不同的。 Pytorch损失定义： loss_function = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=args.lr, momentum=0.9, weight_decay=5e-4) Keras损失定义：
浏览 555提问于2020-04-26得票数 3
回答已采纳
1回答
我已经创建了一个简单的卷积网络，它使用带有tensorflow的keras。我训练过这个模型，它的准确性看起来很好。
我已经在10种不同的课程中训练了网络。该网络能够以0.93的精度区分这10个类别中的每一个。
现在，很有可能在同一个映像中有多个类。有什么方法可以用我训练过的网络来检测同一图像中的多个对象吗？最好的方法是在检测到的对象周围设置坐标/边界框，这样测试/可视化就更容易了。
我是这样写这个网络的：
model = tf.keras.models.Sequential()
model.add(tf.keras.layers.BatchNormalization(input_shape=
浏览 0提问于2019-04-19得票数 4
1回答
如何为训练暹罗神经网络准备数据集
、、、、
我试图通过建立一个带有角角的人脸识别模型来实现一个暹罗神经网络。以前，我使用分类实现了CNN人脸识别模型(带有keras)，因此我的数据集已经被分成训练数据、训练标签、验证数据、验证标签和测试数据。用于此目的的数据集由226个图像类组成。我使用2799张图像进行训练，226张图片进行验证。现在我想使用数据集来训练一个暹罗神经网络。为了这个目的，我该如何分割数据呢？
浏览 1提问于2019-07-02得票数 3
回答已采纳
2回答
所以我的任务是训练一个非常简单的神经网络。我们的数据集有6个输入到网络中的特征，我们需要对其进行训练，然后预测一个输出数字。教授给了我们代码，基本上告诉我们要自学哈哈。所以我的疑问是，在下面的代码中，定义了神经网络的层，定义的第一个密集层(有50个节点)是否对应于输入层，或者它是第一个隐藏层？如果它是第一个隐藏层，输入层是如何定义的？ 提前感谢！ def get_compiled_model():
model = tf.keras.Sequential([
tf.keras.layers.Dense(50, activation=
浏览 55提问于2020-09-29得票数 0
回答已采纳
为了对不同的框架进行基准测试，我想从头开始训练一个初始v3网络。下面是构建模型的代码片段： IMAGE_RES = 229
NUM_CLASSES = 102
model = tf.keras.applications.InceptionV3(include_top=True,weights=None,classes=NUM_CLASSES)
model.build(input_shape=(None, IMAGE_RES , IMAGE_RES , channels)) 根据keras官方网站的说法，参数weight=None意味着随机初始化。这是否意味着我正在从头开始训练我的网络？如果不
浏览 15提问于2020-12-04得票数 0
回答已采纳
我已经编制了keras神经网络来训练序列。在keras中选择LSTM单元是否取决于序列的长度？
浏览 1提问于2018-04-13得票数 5
回答已采纳
我正在用Keras训练一个网络。假设在经历了20世纪之后，我想停止训练，看看一切是否还好，然后继续从21世纪开始。是否第二次调用model.fit方法重新初始化已经训练过的权重？
浏览 0提问于2018-02-03得票数 9
回答已采纳
1回答
我正在使用GENSIM (word2vec)训练一个单词嵌入，并在KERAS的神经网络中使用训练好的模型。当我有一个未知(词汇表外)的单词时，就会出现问题，因此神经网络不再工作，因为它无法找到该特定单词的权重。我认为解决这个问题的一种方法是将一个新单词(<unk>)添加到具有零权重(或随机权重？)的预训练单词嵌入中。哪个更好？)这种方法可以吗？此外，对于这个词嵌入，权重在这个神经网络中是不可训练的。
浏览 18提问于2020-12-19得票数 1
如本文所述，我想用nsl.keras.GraphRegularization训练二元目标深度神经网络模型。我的模型在中间稠密层中有一个，不应该是“图正则化”。
来自吉顿的nsl.keras.GraphRegularization ：
将图正则化纳入base_model的丢失。
图正则化是在逻辑层上进行的，只有在训练过程中才能进行。
这意味着中间三重态半硬损失不会受到这种正则化的影响。
浏览 8提问于2019-12-04得票数 0
回答已采纳
1回答
我用Keras训练了一个完全卷积的神经网络。我使用了Functional，并将输入层定义为Input(shape=(128,128,3))，这与我的训练集中图像的大小相对应。
但是，我想对变量大小的图像使用经过训练的模型(这应该可以，因为网络是完全卷积的)。为此，我需要将输入层更改为Input(shape=(None,None,3))。解决这个问题的显而易见的方法是直接使用(None,None,3)的输入形状来训练我的模型，但是我使用了一个定制的丢失函数，在这里我需要指定我的训练图像的大小。
我试图定义一个新的输入层，并将其分配给我的模型，如下所示：
from keras.engine imp
浏览 0提问于2018-04-27得票数 6
2回答
我正在使用Keras为我的项目训练一个神经网络。Keras提供了一个提前停止的函数。我可以知道应该观察哪些参数以避免通过使用提前停止来过拟合我的神经网络吗？
浏览 2提问于2017-05-11得票数 107
回答已采纳
我正在尝试使用tensorflow中的keras后端来训练resnet网络。每个批处理更新的提要字典如下所示：
feed_dict= {x:X_train[indices[start:end]], y:Y_train[indices[start:end]], keras.backend.learning_phase():1}
我使用的是keras (keras.backend.set_session(sess))，因为原始的resnet网络是用keras定义的。由于该模型包含了辍学和batch_norm层，因此需要一个学习阶段来区分训练和测试。
我观察到，当我设置keras.backe
浏览 0提问于2018-03-07得票数 9
我一直使用"CMU电影摘要语料库“作为我自己学习的电影类型分类，因为我是相对较新的NLP。这是一个多标签分类任务。我使用train进行字矢量化，然后将输出输入到神经网络中，但当我试图训练我的模型时，我得到了以下错误：
ValueError: logits and labels must have the same shape ((None, 1) vs (None, 363))
我读过关于StackOverflow的文章，并试图实现同样的方法，但问题仍然存在。然而，我能够训练机器学习模型使用相同的TF-以色列国防军的特点，但不能训练神经网络。
下面是代码片段：
创建TF-以色列国防军特
浏览 3提问于2021-08-16得票数 0
我们可以使用MLP的输出作为LSTM网络中的小区状态，并使用反向传播来训练MLP吗？
这类似于使用CNN & LSTM的图像字幕，其中CNN的输出被展平并用作初始隐藏/单元状态，并训练堆叠网络，其中甚至CNN部分也通过反向传播进行更新。
我在keras中尝试了一个架构来实现同样的效果。请找到代码。
但是MLP的权重没有更新。我知道这在tensorflow中更简单，我们可以明确地提到哪些参数要随着损失进行更新，但是有谁可以帮助我使用keras API吗？
浏览 1提问于2018-07-19得票数 1
1回答
从冻结层获取输出张量
、、、
我正在使用迁移学习来训练一个网络。我目前冻结了前70个层，并且只在最后10个层上进行训练。由于我的数据集的大小，每个时期需要45分钟来训练。如果有办法，我想在整个网络上训练1个时期，获得最后一个冻结层的输出张量，并将其输入到训练层中，以确定需要多少个时期。
我希望这将减少训练网络所需的时间，因为恒定的层基本上是被跳过的。
from tensorflow.keras.applications import MobileNet
from tensorflow.keras.models import Model
base_model = MobileNet(weights='imagene
浏览 2提问于2020-05-20得票数 1
1回答
如何在卷积神经网络中用Keras实现蒙特卡罗丢包，以估计YARIN GAL提出的预测不确定度？我用的是R.
我将模型按小批进行拟合，并希望用Monte dropout.Could在Keras documentation.BTW中找不到任何提示来评估小批模型，我用标志training=TRUE训练了我的模型。
谢谢
浏览 0提问于2018-04-25得票数 4
回答已采纳
1回答
我正在做一个分类任务，试着从纸上重建一个网络。在这篇论文中，他们讨论了进行300次训练测试分割，并在取每个网络对特定输入数据的所有预测的平均值后，每次训练网络。 所以这里有一个问题:什么是最好的选择，我已经重建了他们的网络，并考虑使用for循环并将每个网络的输出保存在数据帧中，但无法以正确的方式实现。代码如下： # Set X and Y for training
X = dum_bll_fsrq.drop(['type2', 'name', 'Type_is_bll', 'Type_is_fsrq'], axis = 1)
浏览 28提问于2020-12-21得票数 0
我想用Tensorflow后端在Keras的CPU上并行训练数十个小型神经网络。默认情况下，在训练单个nn时，Tensorflow会将批分割到核心上，但我的平均核心利用率仅为50%左右。因此，将神经网络的完整训练分配给核心似乎是个好主意，这样就可以移动更少的数据。
我似乎找不到如何指定这些操作。
另外要注意的是，神经网络有着不同的结构，因此将所有内容合并到一个图中会导致矩阵更稀疏，执行速度更慢。
浏览 1提问于2018-02-24得票数 8
回答已采纳
我正在keras中训练神经网络，我达到了一个经典的极限-我的训练精度随着时代的增加而提高，但我的验证精度在9个时代之后会下降(见图)。 ? 我想知道我是否可以通过执行以下操作来避免验证精度的下降:如果时期导致验证精度的提高，则使keras net仅接受每个时期之后对权重的更改，否则重置为时期之前的状态？我假设验证在很大程度上开始偏离，因为在每个时期>9之后，神经网络的权重偏离了与验证数据的相似度。 那么，我的建议是一个好的实践吗?我可以在keras中实现它吗(是否有回调或选项允许我只有在验证改进的情况下才能更新网络)？ 附带问题:我的建议是否违反了“不使用验证数据进行训练”的原
浏览 15提问于2019-09-01得票数 0
1回答
我打开这个线程来讨论如何使我的NN模型进行部署。
我用在Matlab中建立和训练了一个神经网络(mdCNN是一个简单的Matlab库，用于建立多维输入神经网络，目前Matlab-cov3x3x3不支持它)。我用Matlab训练我的模型，现在我想把它投入生产。
经过几个小时的研究，我计划做以下工作
用TF后端在Keras中训练神经网络模型。我选择Keras是因为我希望将来与Matlab具有向后兼容性。
从Keras模型获取tensorflow会话，有一个如何执行的示例。在文件中比*.pd文件
从模型加载神经网络模型。有一个特定的功能可以做到这一点
简历：：readNet()
在C
浏览 1提问于2018-08-28得票数 3
1回答
我希望训练网络包含多个(两个或更多)并行CNN，这些并行CNN在最后的全连接层中是常见的，但我想使用迁移学习方法首先分别训练这些网络，然后将它们合并并微调我的网络。 我如何通过Keras做到这一点
浏览 32提问于2020-12-10得票数 0
在使用TFv2训练模型后，是否可以对神经网络最后一层中的偏置项进行调整？以下是我的模型的一个示例： import tensorflow.keras as keras
def simple_model(input_size,
layer_1_size,
layer_2_size,
number_of_classes
):
input_layer = keras.layers.Input(input_size)
layer_1 = keras.layer
浏览 14提问于2020-06-13得票数 1
回答已采纳
1回答
在我的tensorflow模型中，一个网络的输出是一个张量。这个值需要输入到另一个预先训练过的网络中。我正在加载预先训练的网络，如下所示
input_b_ph = tf.placeholder(shape=(), dtype=float.32, name='input_b_ph')
sess1 = tf.Session()
saver = tf.train.import_meta_graph(model_path.as_posix() + '.meta', input_map={'input/Identity:0': input_b_ph})
g
浏览 3提问于2019-11-28得票数 2
回答已采纳
是否可以将经过训练的卷积神经网络另存为.mat格式转换为.pb格式？
我想用cv::dnn::readNetFromTensorflow()把它导入到opencv中。
是否有其他选择，或者我应该直接在tensorflow或keras中重新训练网络？
浏览 18提问于2020-05-26得票数 0
回答已采纳
我是python keras的新手。随着对Keras的理解，我对Keras的输入形状感到困惑。我觉得在不同的神经网络下，我需要将我的数据重建成不同的形状。 例如，如果我正在构建一个简单的ANN，我的训练数据应该是像m，n这样的矩阵，m是样本的数量，n是特征的数量。但最近我正在学习一维卷积神经网络。我发现教程将训练数据构造为a，b，c，其中a是样本数，b是时间步数，c是特征数(等于1)。但是为什么我不能简单地将数据重塑为a，b呢？因为对于一维卷积神经网络，c将始终为1。 我不确定我是否正确理解了上面的内容。我想知道有没有不同神经网络的training_data形状的总结？或者说，数据的形状背后
浏览 7提问于2019-08-26得票数 0
我想用CT灰度图像训练一个模型，就像这样：
对于某些类别的疾病，我的训练集是有限的，例如，2,000个阳性和98,000个阴性。
我正在考虑使用迁移学习来避免过度拟合并提高我的模型的有效性，但我也意识到我应该对模型进行微调，因为我向模型提供的图像类型与我将使用的Inception模型训练的图像类型非常不同。
我的问题是，我不确定我应该保留多少层，以及多少层是可训练的。
然后，我想使用跳过连接来应用随机深度，让网络了解真正需要多少层。
因此，我正在考虑实现以下架构。
也就是说，我将在Keras (Tensorflow 2.0)附带的预训练初始模型的各层之间添加跳过连接。
我欢
浏览 1提问于2019-10-07得票数 1
微调网络的步骤如下：
将您的自定义网络添加到已经培训过的基本网络之上。
冻结基本网络。
训练你添加的部分。
解冻基本网络中的一些层。
共同训练这两层和你增加的部分。
现在，如果网络架构像VGG16一样简单，我们可以简单地将基本网络从block5_conv1 (Conv2D)中解冻并重新训练它。
VGG16体系结构
但是，当体系结构像InceptionResnetV2一样非常复杂时，从哪里开始呢？有谁有实际经验吗？在python中运行以下代码以查看模型：
from keras.applications import InceptionResNetV2
conv
浏览 1提问于2018-04-27得票数 2
训练完成后，我在我的网络上做了预测，我想计算我的模型的“精度”和“召回率”，然后将其发送到"tensorboard“的日志文件中，以显示曲线图。在训练时，我将"tensorboard“函数作为回调发送给keras。但是训练结束后，我不知道如何将更多的数据添加到tensorboard中进行绘制。我使用keras进行编码，使用tensorflow作为其后端。
浏览 5提问于2018-08-24得票数 1
我想训练一个CNN，用Keras从100x100x1图像中预测224x224x13矩阵(热图)。我的想法是完善keras提供的经过预先培训的网络(resnet、Xception、vgg16等)。
第一步是用预先训练过的顶层来代替那些满足我的问题约束的层。我试图预测值从0到1的100x100x1热图图像，因此我希望我的网络输出是一个100x100x1矩阵。我相信，如果我使用Flatten，然后使用Dense层的1000x1x1，我将失去空间信息，我不想(对吗？)
我希望我的代码是灵活的，能够独立运行，使用的是经过预先训练的体系结构(我需要运行许多实验)。因此，我想堆叠一个Dense层，它连接到它
浏览 0提问于2017-06-09得票数 4
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
我正在尝试使用预先训练好的网络，例如tf.keras.applications.ResNet50，但我有两个问题：
我只想获得网络末端的顶级嵌入层，因为我不想做任何图像分类。因此，我认为没有必要使用类数。
tf.keras.applications.ResNet50接受默认参数'classes=1000'
- Is there a way how I can omit this parameter?
我的输入图片不是224*224*3，而是128*128*1像素
- What is the best way to fix my input data shape?
我的目
浏览 54提问于2018-06-01得票数 0
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
