Keras是一个极简主义,高度模块化的神经网络库,提供Python中的高级API以及R接口,允许快速原型设计和使用多个计算后端之一。
有一个像这样的数组: 输入 = np.array([[0.04, -0.8, -1.2, 1.3, 0.85, 0.09, -0.08, 0.2]]) 我想将 -0.1 和 0.1 之间的所有值(最后一个维度)更改为零并更改...
TensorFlow - InvalidArgumentError:所有输入的形状必须匹配
我目前正在使用 Jupyter Notebook 遵循有关 seq2seq NMT 模型的 TensorFlow 指南/教程 (https://www.tensorflow.org/text/tutorials/nmt_with_attention)。 运行以下代码后...
keras(或任何其他机器学习框架)如何计算用于反向传播的 lambda 函数层的梯度?
Keras 允许添加计算用户定义的 lambda 函数的层。 我不明白的是 Keras 如何知道计算这个用户定义函数的反向传播的梯度。
通过 Keras 使用张量流 - ValueError:只有输入张量可以作为位置参数传递
我正在尝试让 keras_model_sequential 在 R 中工作: 图书馆(tidyverse) 库(keras) 型号 <- keras_model_sequential(input_shape = c(8)) model %>% 层密度(单位= 32)%>%
我正在尝试为 Keras 定制 LoRA 实现,但在尝试让我的方法发挥作用时遇到了一些麻烦。我在 Google Collab 中使用 Keras 3.4.1。 首先,我尝试过...
summary() 函数在 cnn 中不起作用(ValueError:不支持未定义的形状。)
我正在尝试创建一个分类网络,用于从 cifar10 数据集中识别图片。 当我尝试使用summary()函数时,我不断收到此错误。 值错误
我预计我已经看到了这个问题:Keras class_weight error字典键/值指的是同一问题,但解决方案似乎对我没有帮助。 有了这段代码,我只是在其中做广告...
ValueError:在 R 中使用 keras 模型时出现在用户代码中
我正在尝试使用 keras 包在 R 中运行一维 CNN。我正在使用以下代码 图书馆(大众) 库(keras) ##创建一些数据 数据(“波士顿”) 数据<- Boston # create a l...
tensorflow data api with keras(将张量传递给keras模型)
我正在尝试根据新数据训练预训练的 keras 模型。我遇到了tensorflow的数据集api,我正在尝试将它与我的旧keras模型一起使用。我知道 tf data api 返回张量,s...
我正在尝试通过 RStudio 中的 Keras 构建预测模型,但收到如下错误。如何解决呢? 库(keras) > 训练数据 <-read.csv(file="trialtrainfinal.csv&q...
class_id 支持使用 metric_recall_at_ precision 或 metric_ precision_at_recall 的分类深度学习问题
在支持 GPU 的 Windows 10 计算机上使用 R 3.6.3、keras 2.9.0 和 tensorflow 2.9.0(网状点指向 python 3.6.10) 我无法使用可选类编译模型(3 个分类类)...
我正在研究实现 CNN 的可能性,以便将图像分类为“好”或“坏”,但我对当前的架构不太满意。 特点是...
我想将我的 CNN 深度特征提供给传统分类器,即随机森林。我不想使用 MLP(多层感知器)来对我的问题进行分类,但需要其他分类器。我有我的数据...
ValueError:层“dense_2”需要 1 个输入,但它收到了 2 个输入张量
我无法加载我的模型,它一直说错误 ValueError:层“dense_2”需要 1 个输入,但它收到了 2 个输入张量。收到的输入:[ 我无法加载我的模型,它一直说错误 ValueError:层“dense_2”需要 1 个输入,但它收到了 2 个输入张量。收到的输入:[,] 这是我的代码 image_generator = ImageDataGenerator( rescale=1./255, rotation_range=20, zoom_range=0.2, width_shift_range=0.2, height_shift_range=0.2, horizontal_flip=True, validation_split=0.2 ) train_dataset = image_generator.flow_from_directory( directory=path_to_dataset, target_size=(224, 224), batch_size=32, subset='training' ) validation_dataset = image_generator.flow_from_directory( directory=path_to_dataset, target_size=(224, 224), batch_size=32, subset='validation' ) # Menentukan jumlah kelas (num_classes) berdasarkan jumlah subfolder dalam dataset num_classes = len(train_dataset.class_indices) from tensorflow.keras.applications.mobilenet import MobileNet # Load the MobileNet model pre_trained_model = tf.keras.applications.MobileNetV2(input_shape=(224, 224, 3), include_top=False, weights='imagenet') pre_trained_model.summary() # Print dataset information for debugging print(f"Training dataset shape: {train_dataset.image_shape}") print(f"Validation dataset shape: {validation_dataset.image_shape}") pre_trained_model.trainable = False # Menambahkan layer kustom di atas model pre-trained model = tf.keras.Sequential([ pre_trained_model, tf.keras.layers.GlobalAveragePooling2D(), tf.keras.layers.Dense(1024, activation='relu'), tf.keras.layers.Dropout(0.5), tf.keras.layers.Dense(num_classes, activation='softmax') ]) # Compile model #from tensorflow.keras.optimizers import RMSprop model.compile(optimizer=Adam(learning_rate=0.0001), loss='categorical_crossentropy', metrics=['accuracy']) batch=40 history = model.fit(train_dataset, validation_data=validation_dataset, epochs=20, steps_per_epoch = train_dataset.samples//batch, validation_steps = validation_dataset.samples//batch, verbose = 1 ) # Load the model model_save_path = '/content/drive/MyDrive/Machine Learning/saved_models/model_plastik.h5' # Load the model, ensuring it's compiled if needed loaded_model = tf.keras.models.load_model(model_save_path) # Now you can modify the loaded model if necessary # For example, if you want to extract a sub-model: input_layer_index = 0 # Replace with the actual index dense_2_index = 3 # Replace with the actual index loaded_model = tf.keras.models.Model(inputs=loaded_model.layers[input_layer_index].input, outputs=loaded_model.layers[dense_2_index].output) # Check the configuration of the loaded model for i, layer in enumerate(loaded_model.layers): print(f"Layer {i}: {layer.name} - Input shape: {layer.input_shape} - Output Shape: {layer.output_shape}") print("Revised model loaded successfully.") 我尝试加载模型,我希望它加载到测试 有同样的问题,只需尝试使用功能 API 实现相同的架构即可。
我正在尝试对顺序数据进行多类分类,以根据源的累积读取来了解某些事件的来源。 我正在使用带有 64 个的简单 LSTM 层...
Dropout(1.0) 和 stop_gradient 有什么区别?
考虑这两种架构: prev_layer -> dropout 1.0 -> next_layer(输出层) prev_layer -> stop_gradient -> next_layer(输出层) 当梯度从输出层流出时...
我正在尝试将批量矩阵乘法作为 Keras 层进行,但无法弄清楚。 我尝试使用 tf.einsum('cij,cjk->cik', input, self.dense_weights) + self.dense_biases c 是平行线
使用 Keras 迁移学习的边界框回归给出 0% 的准确率。 Sigmoid 激活的输出层仅输出 0 或 1
我正在尝试创建一个对象定位模型来检测汽车图像中的车牌。我使用 VGG16 模型并排除顶层以添加我自己的密集层,最后一层有......
如何传递 sklearns train_test_split 实际数据系列而不是单个值作为输入参数?
我想训练一个基于 LSTM 的 RNN 模型进行二元分类,为此我想使用带有 LSTM 层的张量流 keras 模型。为此,我需要测试输入和输出以及
在自定义 keras.Model 类中定义模型时,为什么 keras.models.save_model() 方法不保存权重?
我正在尝试训练、保存和加载在继承自 keras.Model 的自定义类中定义的模型。 定义和训练运行良好。我将训练后的模型保存为“.keras”格式。 ...