lambda层中的嵌套模型不可训练
是指在云计算领域中使用的AWS Lambda服务中，无法对嵌套模型进行训练。
AWS Lambda是一种无服务器计算服务，可以在没有管理服务器的情况下运行代码。它通过将代码放置在函数中并自动管理计算资源的扩展和分配，使开发人员能够以事件驱动的方式运行代码。
Lambda层是一种在Lambda函数中共享代码、库和资源的机制。它允许开发人员将公共代码逻辑抽象到单独的层中，并将其附加到多个Lambda函数中，以实现代码的重用和简化维护。
嵌套模型是指在机器学习领域中，使用多个模型相互组合形成一个更复杂的模型。它可以用于解决更复杂的问题，并利用不同模型的优势来提高预测准确性。
然而，在Lambda层中，嵌套模型不可训练。这意味着无法在Lambda函数中对嵌套模型进行训练或更新。Lambda函数的主要目的是处理事件和执行计算任务，而不是进行复杂的模型训练。
对于需要进行模型训练的任务，通常建议将其放在适合的环境中，例如使用云计算提供商的机器学习服务（例如腾讯云的AI开放平台、图像与视觉和自然语言处理等服务）。这些服务提供了丰富的机器学习功能，可以在云端进行模型训练、优化和推理。
腾讯云AI开放平台提供了一系列的人工智能服务，包括语音识别、图像识别、自然语言处理等。开发者可以根据自己的需求选择相应的服务进行模型训练和应用开发。具体相关产品和产品介绍可以参考腾讯云AI开放平台的官方文档：
相关·内容
1回答
我正在尝试使用functional API来拥有一个共享层，其中只有一条路径是可训练的：
a_in = Input(x_shape)
b_in = Input(x_shape)
a_out = my_model(a_in) # I want these weights to be trainable
b_out = my_model(b_in) # I want these weights to be non-trainable (no gradient update)
y_out = my_merge(a_out, b_out)
full_model = Model(inputs=[a
浏览 3提问于2018-09-25得票数 9
2回答
在我的模型中，我使用了GloVe预训练的嵌入。我希望保持他们的不可训练，以减少模型参数的数量和避免过分适合。然而，我有一个特殊的符号，我想训练它的嵌入。
使用提供的嵌入层，我只能使用参数“trainable”以下列方式设置所有嵌入的可训练性：
embedding_layer = Embedding(voc_size,
emb_dim,
weights=[embedding_matrix],
input_length=MAX_LEN,
浏览 0提问于2018-02-27得票数 12
回答已采纳
1回答
我的目标
我想在Tensorflow(python)中训练一个定制的对象检测模型，并使用Tensorflow js来使用它。
我所做的
我编写了Tensorflow JS部分(从在线示例中获取帮助)，以从本地加载模型并得到预测。我用COCO预先训练过的模型，它工作得很好(所以没有在这里添加代码)。
我的问题是什么
我对python和Tensorflow非常陌生。训练的例子模型在python中，它是来自Keras的Lamda
这个地方的from keras.layers import Input, Lambda
model.compile(optimizer=Adam(lr=1e-3), los
浏览 6提问于2019-12-08得票数 2
https://keras.io/layers/writing-your-own-keras-layers/ 根据这里，无状态的客户操作可以被包装到Lambda层。但是如果有可训练的变量，我们需要实现我们自己的层。我想问一下，是否可以将Lambda层用于固定权重(即预先训练的权重)？ 如果是，如何确保正确加载权重，而不是随机初始化？因为get_weights()不会在Lambda层中给你权重。 提前谢谢你了。
浏览 26提问于2019-06-13得票数 1
1回答
我想使用FaceNet体系结构的最后一层，它包含这三个最后的层：
Dropout (无，1792年)
瓶颈(密集)(无，128)
Bottleneck_BatchNorm (BatchNorm (None，128) )
我想再加一层L2-规范化如下：
norm = FRmodel.outputs
norm = Lambda(lambda x: K.l2_normalize(x, axis=1)), name="Normalization")(norm)
最后一层看起来是这样的：
Dropout (无，1792年)
瓶颈(密集)(无，128)
Bottleneck_Batc
浏览 3提问于2020-04-28得票数 1
回答已采纳
1回答
假设我有一个模型
from tensorflow.keras.applications import DenseNet201
base_model = DenseNet201(input_tensor=Input(shape=basic_shape))
model = Sequential()
model.add(base_model)
model.add(Dense(400))
model.add(BatchNormalization())
model.add(ReLU())
model.add(Dense(50, activation='softmax'))
mo
浏览 0提问于2020-11-04得票数 1
回答已采纳
1回答
我训练了一个模型，它包含几个层次，而不是model.layers集中的每一层
layer.trainable = False
我在这个模型中添加了几个层，称为
model.compile(...)
并对这种新模型进行了几个时期的训练，其中部分层被冻结。
后来，我决定解冻层，然后运行。
for layer in model.layers:
layer.trainable = True
model.compile(...)
当我开始学习模型的解冻层，我得到的损失函数值非常高，即使我只是想继续训练，从以前学到的重量。我还检查过，在model.compile(...)模型仍然很好的预测(而不是重
浏览 0提问于2018-04-26得票数 0
回答已采纳
1回答
我使用张力流js转换器将在EfficientNet上预先训练过的ImageNet模型转换为tensorflow-js。当我试图将模型加载到我的脚本中时，它尝试用初始化器初始化权重，而这些初始化器在tfjs中没有实现。然而，没有必要初始化权值，因为模型是预先训练的，权重也是经过转换的。转换后的模型如下：
下面是这个问题的CodePen示例：
const start = async () => {
efficientNetURL = 'https://raw.githubusercontent.com/paulsp94/tfjs_efficientnet3_imagenet/ma
浏览 1提问于2019-06-19得票数 2
回答已采纳
4回答
不可训练参数的定义是什么？
、、、、
模型中不可训练参数的定义是什么？
例如，当您构建自己的模型时，它的值是0作为默认值，但是当您想要使用初始模型时，它变成了其他的东西，而不是0。这背后的原因是什么？
浏览 1提问于2017-11-15得票数 40
回答已采纳
在，他们说：
当您解冻包含BatchNormalization层的模型以进行微调时，您应该在调用基本模型时传递training=False，从而使BatchNormalization层保持在推理模式中。
我从中了解到的是，即使在解冻层时，如果预先训练过的模型包含BatchNormalization层，我也应该设置“traininig=False”，如下所示：
resnet = ResNet50(weights='imagenet', include_top=False)
resnet.trainable = True # unfreeze
inputs = Inpu
浏览 1提问于2020-08-11得票数 0
我是机器学习领域的新手。我试图通过转换tensorflow js中经过训练的模型在浏览器上运行python程序。
与用python编写的OCR相关。我已经生成了HDF5 5/H5文件，并用tensorflowjs_converter将其转换成特定于web的格式。
我遵循文档中的所有指令，但在浏览器中运行时，它会抛出错误(参见屏幕截图)
我正在寻找解决方案来消除这个错误.！
参考:
浏览 1提问于2018-06-15得票数 3
我们可以在tensorflow中获取任何预训练模型的子集吗？例如，如果我们有一个预先训练的模型，可以检测545个目标，我们可以使这个模型的子集只能检测20个目标，这样就可以减少加载模型和检测过程所需的时间。
浏览 0提问于2018-02-09得票数 0
1回答
如何处理神经网络的函数？
、、、
我是一个深入学习的新手，我在tensorflow后端使用keras。
无论如何，我有一个具有N个输入和输出(x_i，y_i)的培训集。我的模型首先构造了一个神经网络，例如F，然后用函数g得到y，换句话说，y=g(F(x))，其中F是神经网络，g是函数，可能不是可逆的。
有没有办法用角角来建立这样的模型？为了简化，让y=3xF(x)+x，我想训练这样的模型，而不改变训练输出，如(y_i-x_i)/(3x_i)。
浏览 2提问于2019-03-13得票数 0
回答已采纳
1回答
我在Keras中使用return_sequences=True和TimeDistributed包装器在最后一个密集层上训练了多到多序列模型：
model = Sequential()
model.add(Embedding(input_dim=vocab_size, output_dim=50))
model.add(LSTM(100, return_sequences=True))
model.add(TimeDistributed(Dense(vocab_size, activation='softmax')))
# train...
model.save_weights(
浏览 3提问于2019-03-07得票数 2
我正在尝试训练一个级联模型，在该模型中，我希望获得model1的输出，对其进行扩充，并将其提供给第二个模型。如果可能的话，我想端到端地训练这两个网络。 现在我想知道这在Keras中是否可能？ 谢谢你的建议， 干杯, 我
浏览 9提问于2020-01-22得票数 0
回答已采纳
我试图为视频输入的模型训练实现VGG感知损失。我实现了知觉损失，就像问题中的建议一样
我的mainModel看起来像下面的图：
输入大小为(bathsize, frame_num, row, col, channel)。我想得到中间帧的知觉损失，也就是frame_num/2。
因此，我实现了以下lossModel：
lossModel = VGG19(weights='imagenet')
lossModel = Model(inputs=lossModel.input,outputs=lossModel.get_layer('block3_conv4').ou
浏览 1提问于2017-12-19得票数 2
回答已采纳
1回答
我目前正在尝试在本文中实现第217页的最小-最大相关性模型：
问题是，我需要训练一个偏差，它被添加到一个层，它本身是权重*输入+偏差的总和。应该训练后一种权重。
因此，我有一个具有一个隐藏层的神经网络。隐藏层的偏差就像线性回归一样，只是输入层和输出层。偏置有自己的输入值。我想我必须使用函数式api，但是我如何在隐藏层中添加LR输出作为偏置项？
浏览 4提问于2020-08-18得票数 1
我在caffenet中使用微调，它工作得很好，但是我在Keras 关于微调的博客中读到了这篇文章(他们使用经过训练的VGG16模型)：
“为了进行微调，所有层都应该从经过适当训练的权重开始:例如，你不应该把一个随机初始化的完全连接的网络放在一个预先训练过的卷积基础上。这是因为随机初始化的权值引发的大梯度更新会破坏卷积基中的学习权重。在我们的情况下，这就是为什么我们首先训练顶级分类器，然后才开始与它并排微调卷积权。”
因此，作为微调的另一步，它们在全连通层(“瓶颈特征”)之前保存最后一层的输出，然后对这些特征进行“小的全连通模型”的训练，然后将新训练的全连通层置于整个网络的顶部，并训练“最后的卷
浏览 0提问于2017-03-20得票数 2
在另一种模式的培训中，使用tf.estimator训练的模型A最简单的方法是什么？
模型A中的权重是固定的。在模型B中，我想接受一些输入，计算，将这些结果输入到模型A中，然后对输出进行更多的计算。
一个简单的例子：
ModelA返回tf.matmul(input,weights)
在ModelB中，我想做以下几点：
x1 = tf.matmul(new_inputs,new_weights1)
x2 = modelA(x1) # with fixed weights
return tf.matmul(x2,new_weights2)
但是对于更复杂的模型A和B，每个模型都被训练为一
浏览 0提问于2018-11-28得票数 1
你能用占位符传递x --也就是输入，也就是自变量吗？但是图中没有x的占位符，这是设计出来的。这是因为这个模型是通过使用数据集读取文本文件而不是占位符来训练获得x的。由于先前对输入文件的训练，此模型现在是否需要使用输入文件进行新的数据预测？
对于相同的模型，现在有一个相关但不同的问题:当对此模型上的新数据进行此类预测时，是否需要显式提供超参数占位符？如果是这样，那又有什么意义呢？此特定训练模型的图形中的占位符仅用于超参数。(训练以这种方式工作得很好，我已经对训练和开发数据集进行了评估。)根据我的想法，超参数仅在训练期间引用，即在计算成本和评估优化器操作时引用。提醒一下，我只是希望评估预测(yha
浏览 0提问于2018-09-12得票数 0
1回答
在Keras中“淡入”新图层
、、、、
我正在尝试使用tensorflow后端在Keras中实现this文件。 在我的理解中，它们逐渐成长为GAN，随着模型的训练逐渐淡入额外的层块。在迭代过程中，新图层会线性淡入。 我不确定如何引入他们使用的“淡入”。 要做到这一点，Keras，我想我可能需要一个Lambda层--但这就是我所知道的。 有什么建议吗？ 谢谢!
浏览 26提问于2018-12-20得票数 0
回答已采纳
我有一个简单的模型，我已经训练过了，现在似乎工作得很好，我想使用tensorflow服务，为此我需要保存模型。 但是我没有看到一种用simple_save()指定对输入数据进行任何预处理的方法。 我的模型： model = keras.Sequential()
model.add(
keras.layers.Embedding(maxAlphabetDictValue + 1, 8, input_length=maxVariableLength))
model.add(keras.layers.CuDNNLSTM(12))
model.add(keras.layers.Dense(l
浏览 11提问于2019-02-08得票数 3
我要在Keras中导入一个预先训练好的VGG模型，
from keras.applications.vgg16 import VGG16
我注意到标准模型的类型是keras.models.Sequential，而预先训练的模型是keras.engine.training.Model。我通常使用add和pop分别为顺序模型添加和删除层，但是，我似乎不能将pop用于预先训练的模型。
对于这些类型的模型，是否有pop的替代方案？
浏览 14提问于2017-02-18得票数 1
我是tensorflow的新手，我从创建了一个简单的tflite模型，它在带有tflite_flutter插件的颤振应用程序中工作得很好。
然后，我不得不用预先训练过的.h5模型来改变模型。我将.h5模型转换为.tflite模型，但它崩溃了。
转换后的预训练模型的input shape是，output shape是1，12，测试模型的input shape是1224,224，3，output shape是1，3。
我创建了一个输入形状为1224、224、3的.h5模型，并将其转换为tflite，它工作了。似乎转换是起作用的，问题可能是模型的形状。我不知道该怎么做。
下面是我用于转换的代码。
f
浏览 28提问于2022-05-15得票数 0
回答已采纳
我想开发一个卷积网络体系结构，在第一层(在本例中是Conv1D)中，我想预先指定一些不可调整的固定滤波器，同时也有模型可以学习的几个可训练的过滤器。这是可能的吗?如何做到呢？
我的直觉是，我可以使两个单独的Conv1D层-一个可训练和一个不可训练-然后以某种方式连接它们，但我不知道这在代码中会是什么样子。另外，对于不可训练的过滤器，我如何预先指定权重？
浏览 1提问于2018-05-04得票数 1
回答已采纳
1回答
Keras将numpy数组作为训练数据的输入，但是可以创建可以采用不同输入大小的模型。我想知道是否有一种方法可以将各种维度的图像合并到模型的训练数据中。
浏览 0提问于2017-02-21得票数 3
1回答
如何最好地向keras (v2.0.5)模型中添加预处理层(例如，减去平均值和除以std)，使模型成为部署时完全自我包含的模型(可能在C++环境中)。我试过：
def getmodel():
model = Sequential()
mean_tensor = K.placeholder(shape=(1,1,3), name="mean_tensor")
std_tensor = K.placeholder(shape=(1,1,3), name="std_tensor")
preproc_la
浏览 0提问于2017-06-29得票数 10
回答已采纳
2回答
前一层的输出具有形状(无，30,600)。我想把这个矩阵的每一行乘以一个不同的 (600,600)矩阵，或者等效地把这个矩阵乘以一个3D权重矩阵。这可以通过对每一行应用不同的密集层来实现。我尝试使用TimeDistributed包装器，但这将相同的密集层应用于每一行。我还尝试使用lambda层，如下所示：
Lambda(lambda x: tf.stack(x, axis=1))(
Lambda(lambda x: [Dense(600)(each) for each in tf.unstack(x, axis=1)])(prev_layer_output)
)
这似乎解决了问题，我能
浏览 1提问于2018-01-24得票数 2
回答已采纳
我在寻找一种在Keras模型中部分冻结层的方法。如果要冻结一个层，只需将trainable属性设置为False，如下所示：
model.get_layer('myLayer').trainable = False
但是，让我们以一个包含n节点的密集层为例。是否有一种方法将第一个i节点设置为不可训练，使剩余的n-i保持可训练性？
我在文件里找不到任何东西。我唯一能想到的解决办法是：
保存我想部分冻结的层x的权重，
训练模型离开x层可训练，
在火车后，重新加载我一开始不想训练的节点的重量。
是否有更好的方法来实现这一点？我也不确定这个策略是否完全正确。
浏览 10提问于2022-03-17得票数 0
假设我有这样的模型。M1和M2是连接模型左侧和右侧的两个层。
在培训期间，我希望M1能够学习从L2_left激活到L2_right激活的映射。类似地，M2可以学习从L3_right激活到L3_left激活的映射。该模型还需要了解两个输入与输出之间的关系。因此，对于M1、M2和L3_left，我应该有三个损失函数。
我也许可以用：
model.compile(optimizer='rmsprop',
loss={'M1': 'mean_squared_error',
'M2': &
浏览 5提问于2017-05-10得票数 4
回答已采纳
1回答
我对凯拉斯很陌生。
我的目标是创建一个神经网络，多分类的情感分析，的推特。
我在Keras中使用了Keras来构建我的模型。
我想在我的模型的第一层(特别是)中使用经过预先训练的单词嵌入。
以下是我目前的模型：
model = Sequential()
model.add(Embedding(vocab_size, 300, weights=[embedding_matrix], input_length=max_length, trainable=False))
model.add(LSTM(100, stateful=False))
model.add(Dense(8, input_dim
浏览 0提问于2019-01-16得票数 5
回答已采纳
model = Sequential()
model.add(Embedding(input_dim=wordEmbeddings.shape[0], output_dim=wordEmbeddings.shape[1], input_length=n_in, weights=[wordEmbeddings], trainable=False, **zero_mask=True**))
model.add(Dropout(0.3))
model.add(Bidirectional(LSTM(200, return_sequences=True, recurrent_dropout
浏览 2提问于2019-12-12得票数 0
我有一个预先训练过的模型，它有多个输入，有不同的形状。因此，我可以在具有匹配形状的新输入上调用模型，如下所示：
new_output = model([input_1, input2])
使用
input_1.shape = (400, 200)
input_2.shape = (400, 200, 10)
我希望重用该模型，以便在一个数据系列上对其进行培训，因此我的新输入将具有以下形状：
input_1.shape = (100, 400, 200)
input_2.shape = (100, 400, 200, 10)
为了重用模型，我想使用Keras中的TimeDistributed层，
浏览 0提问于2018-10-08得票数 4
回答已采纳
我有一个名为"my_array“的数组
然后，我想将我的数组"my_array“添加到模型最后一层的输出中
我该怎么办？这是否可以做到呢？
谢谢!
如果最后一层输出名为" logits“的-> logits= tf.keras.layers.Dense(5)
然后将其视为最终输出，称为" output“->输出= logits + my_array
然后将此输出用于训练。
model = Sequential([
tf.keras.layers.Dense(10, activition='relu'),
tf.keras.l
浏览 0提问于2021-06-02得票数 0
我已经训练了自动编码器(E1 - D1)，现在我想要另一个自动编码器，让我们称之为(E2 - D2) 因此，该模型类似于E1 -> E2 -> D2 -> D1，其中该模型仅使用E2 D2的输出和D1的输入来优化E1 E1 -> 5个CNN层+1个FC (已训练) E2 -> 5 CNN层+1 FC D2 -> 5 DeCNN层+1 FC D1 -> 5 DeCNN layers +1 FC (已训练) 注意E1 D1已经过训练(图像中为蓝色) 请看图片 ? 我想使用X(输入)Y(输出)来仅优化E2 D2
浏览 6提问于2019-09-16得票数 0
我在凯拉斯有个受过训练的模特。
我正在尝试在另一个任务中使用该模型，但我不需要所有的层，而只需要前4个conv层。
我把模型保存在"keras_pretrained_model.h5“里
是否可以使用“.h5”文件中预训练模型的前4个conv层的权重来初始化新模型的前4个conv层？
是否必须先加载整个预先训练过的模型？？
预训练模型实际上占用了很大的空间，我不知道在我用权值初始化新模型之后如何删除预训练模型。据我所知，使用tf.keras.backend.clear_session()将清除与旧模型一起创建的新模型。
所以，我的问题是
是否有任何方法来初始化新的模型层中的权重，而
浏览 6提问于2020-08-19得票数 0
2回答
在建立机器学习模型时，有不可训练的参数可以吗？或者这会在模型中产生错误吗？我搞不懂什么是不可训练的参数，以及如何在此基础上修正模型。
浏览 0提问于2018-08-20得票数 3
回答已采纳
1回答
我有一个用tensorflow编写的U-Net模型，用于解决分割问题。我想用相同数量的训练数据来改进我的分割，我正在考虑在输出中添加一个水平集方法模块，然后计算损失。类似这样的https://arxiv.org/pdf/1705.06260.pdf 但是我不知道如何修改tensorflow中最后一层的输出 def amodel(pretrained_weights=None,
input_size=(512, 512, 1),
act="relu"):
inputs = tf.keras.layers.Input(input
浏览 31提问于2021-03-19得票数 0
我正在尝试使用一个预先训练的模型，添加一些新的层和操作，并在tensorflow中执行一个培训课程。因此，我偶然发现了tf.keras.applications.*命名空间，并开始使用那里实现的一些模型。
加载基本模型后，我将添加如下新层：
x = base_model.output
# this line seems to cause my error
x = tf.reshape(x, [-1, 1])
# using this line solves the issue
# tf.keras.layers.Flatten()(x) #
x = tf.keras.layers.Dense
浏览 0提问于2018-04-02得票数 5
回答已采纳
感谢谷歌提供了一个。
我想知道如何通过向模型中添加新的类来重新训练从上面的存储库中获得的经过预先训练的模型。例如，经过训练的COCO数据集模型有90个类，我想在现有的类中添加1个或2个类，并得到一个92类的对象检测模型。
是由存储库提供的，但它正在用新培训的类完全取代那些预先训练过的类。在那里，只提到了火车和雪崩。
那么，还有其他方法来重新训练模型并得到92个类吗？
浏览 2提问于2017-10-04得票数 16
2回答
以中间层的输出作为模型训练的输入
、、、、
通常，我们用外部数据提供训练模型。但是我想用来自同一模型中间层的张量作为下一批的输入。我相信，这可以通过使用人工循环进行培训。这一次，我更喜欢使用Keras (v2.2.4)中的fit_generator()。我使用Functional创建一个模式。
任何帮助都是非常感谢的。谢谢。
浏览 2提问于2020-01-21得票数 1
回答已采纳
2回答
我正在尝试理解caffe的基础知识，特别是在python中使用。
我的理解是，模型定义(比如给定的神经网络体系结构)必须包含在'.prototxt'文件中。
当使用'.prototxt'对数据进行模型训练时，将权重/模型参数保存到'.caffemodel'文件中
此外，用于培训的'.prototxt'文件(包括学习速率和正则化参数)与用于测试/部署的文件(不包括它们)也有区别。
问题：
'.prototxt'是训练的基础，'.caffemodel'是训练(权重)的结果，对训练数据使用'.
浏览 4提问于2016-01-24得票数 8
回答已采纳
我不确定我的理解是否正确但是..。
在训练seq2seq模型时，我想在嵌入层中启动一组预先训练的快速文本权重，目的之一是减少测试环境中的未知单词(这些未知单词不在训练集中)。由于预训练的快速文本模型词汇量较大，在测试环境中，未知词可以用快速文本的词汇向量来表示，在训练集中，这些向量应该与语义相似的词具有相似的方向。
然而，由于嵌入层中的初始快速文本权重将通过培训过程更新(更新权重会产生更好的结果)。我想知道更新的嵌入权重是否会扭曲词之间的语义相似性关系，并破坏快速文本词汇外向量的表示？(并且，在初始嵌入层中更新的嵌入权重和字向量之间，但是它们的相应ID没有出现在训练数据中)
如果输入ID可以分
浏览 2提问于2017-05-19得票数 2
回答已采纳
因此，据我所知，转移学习是指在有大量数据的数据集上训练模型，然后保留大部分经过训练的系数，并且只对数据集上的最后一层进行重新训练，以解决有少量数据的问题。
CNN的特征提取意味着你有一个从图像中提取特征的通用模型，然后你只需要训练最后一层来解决图像上的一个特定问题。
那么，特征提取只是一个特定的情况，还是有一些微妙的地方我不明白？
浏览 0提问于2020-10-02得票数 1
2回答
我没有使用Keras，我正在考虑是否使用它。
我想保存一个经过训练的图层供以后使用。例如：
我训练一个模特。
然后，我得到一个经过训练的图层t_layer。
我还有另一个模型要训练，它由layer1，layer2，layer3组成。
我希望使用t_layer作为layer2，而不更新这一层(即t_layer不再学习)。
这可能是个奇怪的尝试，但我想试试这个。这在凯拉斯身上有可能吗？
浏览 4提问于2017-06-20得票数 8
回答已采纳
1回答
Inception-ResNet-v2模型由多少层组成？我数了一下，有96个，但我不确定。请确认我的名字
另外，我的训练和测试数据分别由600张和62张图像组成。我使用了三个模型: ResNet-152，Inception-ResNet和DenseNet-161，它们有以下几个参数：
ResNet-152:总参数: 58,450,754可训练参数: 58,299,330不可训练参数: 151,424
DenseNet-161:总参数: 26,696,354可训练参数: 26,476,418不可训练参数: 219,936
初始-ResNet:总参数: 54,339,810可训练参数: 54,2
浏览 37提问于2018-02-23得票数 4
1回答
我倾向于构建一个模型，模型的一个输入是一个具有(?, 29, 64)形状的张量。这是我的模型代码中的定义：
history_topics =输入(shape=(29，64，)，name = 'history')
然后我把它转换成一个新的张量，它的形状是(?,64,29)
history_topics_trans = Lambda(lambda : K.tf.transpose(x，perm=0,2,1))(history_topics)
然后，我要初始化一个新的可训练张量，叫做da，它的形状是(5, 64)，然后把da乘以history_topics_trans
浏览 0提问于2019-05-13得票数 0
回答已采纳
如何将Keras fit_generator中使用的validation_data的training设置为False？我的模型中有Dropout层，我希望在训练过程中训练为True，在验证和测试过程中为False。
浏览 44提问于2019-07-01得票数 2
1回答
我的培训数据是由单个句子组成的，每个句子都有几个标签(比如10)，每个标签都有一个从1-10开始的离散分数--因此，从本质上说，单个训练示例有一个标签，它不是标量，而是矩阵/向量(10,10)或(1,10*10)。softmax能否根据其本身是矩阵/向量的标签来调整权重？我想微调一个有这种能力的模型。
谢谢。
浏览 0提问于2021-12-22得票数 0
1回答
我试图通过Keras.So实现一个OCR项目，我试着向.I学习，使用我自己的列车数据来训练一个新的模型并获得.H5模型文件。现在我想测试一个新映像来查看我的模型性能，所以我编写了一个test.py，如下所示：
from keras.models import Model
import cv2
from keras.preprocessing.image import img_to_array
import numpy as np
from keras.models import load_model
from keras import backend as K
from allNumList
浏览 5提问于2018-11-29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
实时音视频
对象存储
即时通信 IM活动推荐
腾讯云开发者
