在神经网络Keras序贯模型中取0或1作为概率值
在神经网络Keras序贯模型中，取0或1作为概率值是通过使用激活函数来实现的。常用的激活函数包括sigmoid函数和softmax函数。
- sigmoid函数（也称为逻辑函数）将输入值映射到0到1之间的概率值。它可以用于二分类问题，将输出限制在0和1之间。在Keras中，可以通过在模型的最后一层中使用sigmoid激活函数来实现这一点。例如：
from keras.models import Sequential
from keras.layers import Dense
model = Sequential()
model.add(Dense(1, activation='sigmoid'))推荐的腾讯云相关产品：腾讯云AI智能图像识别，该产品提供了丰富的图像识别能力，可以应用于人脸识别、图像分类等场景。产品介绍链接地址：腾讯云AI智能图像识别
- softmax函数常用于多分类问题，将输入值映射到0到1之间的概率值，并且所有输出的概率之和为1。在Keras中，可以通过在模型的最后一层中使用softmax激活函数来实现这一点。例如：
from keras.models import Sequential
from keras.layers import Dense
model = Sequential()
model.add(Dense(num_classes, activation='softmax'))推荐的腾讯云相关产品：腾讯云AI语音识别，该产品提供了准确、高效的语音识别能力，可以应用于语音转写、语音指令识别等场景。产品介绍链接地址：腾讯云AI语音识别
总结：在神经网络Keras序贯模型中，可以通过使用sigmoid函数或softmax函数来取0或1作为概率值，用于二分类或多分类问题。腾讯云提供了相关的AI智能图像识别和AI语音识别产品，可以满足不同场景下的需求。
相关·内容
2回答
我正在用Python和Keras库训练一个神经网络模型。
我的模型测试准确率很低(60.0%)，我试图提高它，但我做不到，我使用DEAP数据集(总共32名参与者)来训练模型。我使用的分裂技术是固定的。其内容如下:28名学员参加了培训，2名参加了验证，2名参加了测试。
对于我使用的模型，如下所示。
序贯模型
优化器= Adam
使用L2_regularizer，高斯噪声，丢包和批归一化
隐藏层数=3
激活= relu
编译损失= categorical_crossentropy
初始化器= he_normal
现在，我用火车测试技术(也是固定的)来分割数据，我
浏览 0提问于2017-07-13得票数 5
1回答
Keras2.0删除了F1评分，但我想监视它的值。我用序贯模型训练神经网络。
我定义了一个函数，如这里所建议的，。
只有在model.compile中使用该函数时，此函数才能正常工作。通过这种方式，我在每一步都能看到它的价值。问题是，我不想仅仅看到它的价值，但是我希望我的培训能够根据它的价值表现出不同的行为，使用Keras的回调。
如果我试图在回调中插入我的自定义度量，那么我会得到以下错误：
“不可迭代”
您知道如何定义函数，以便它可以用作回调中的参数吗？
浏览 0提问于2018-12-12得票数 6
1回答
我用Keras库构建了一个多类序列模型，方法如下：
model = keras.Sequential([
#input layer
keras.layers.Flatten(input_shape=(inputs.shape[1], inputs.shape[2])),
#hidden layer 1
keras.layers.Dense(512, activation = 'relu', kernel_regularizer=keras.regularizers.l2(0.001)),
keras.layers.Dropout(0.3),
#hidden layer 2
浏览 2提问于2021-08-27得票数 0
2回答
将两个层的输出相乘
、、、、
我试图用这个设计在keras中实现一个神经(Ish)网：
从本质上说，该算法有三个输入。输入2和输入3乘以相同的权重矩阵W1，生成O2和O3。输入1乘以W2生成O1。然后，我们需要取O1 * O2和O1 * O3的点积。
我正试着在角星中实现这一点。
我的第一个想法是使用keras Graph类，并使W1成为一个具有两个输入和两个输出的共享节点层。到目前为止还不错。
然后出现了一个问题，那就是如何用O1获取这两个输出的点积。
我试图定义一个自定义函数：
def layer_mult(X, Y):
return K.dot(X * K.transpose(Y))
然后：
nt
浏览 2提问于2015-12-10得票数 6
回答已采纳
2回答
明确分类
、、
我试图用Keras对二进制样本进行分类，我希望尽可能多地正确地分类，而忽略那些模型不确定的样本。
完全连接的神经网络目前达到了65%左右，但我想得到一个更高的结果正确的分类，而忽略了那些模型是不确定的。
有没有办法让Keras简单地忽略模型不确定的地方，从而达到更高的精度？或者，是否有一种网络设计可以实现这一目标，例如，将网络测试的结果输入其中的第二部分，从而决定预测是否准确？
我想要做到这一点的一种方法是在此基础上建立第二个神经网络，根据第一个网络的结果和它的所有输入数据来决定，分类是否正确。这会有效吗?如果是的话，是否没有更好的方法一次实现这一目标，比如直接将结果输入网络的第二部分，从而决
浏览 0提问于2017-11-14得票数 2
回答已采纳
2回答
嗨，我试着用tensorflow建立一个简单的神经网络，我给模型training_data，它包含标准值，我给它target_data，这是我想要的结果，如果预测值接近这些数字中的一个。例如，如果我给y_test的数值为3.5，模型将预测并给出一个接近4的数字，因此条件会说它是一个轻型吸烟者。我搜索了一些激活函数，并了解到我不能将sigmoid用于我想要做的事情。在这件事上我很新。到目前为止，我所做的一切都是由于错误和考验。
import random
import tensorflow as tf
import numpy as np
training_data=[]
for i in
浏览 2提问于2021-01-21得票数 0
1回答
我对Keras的顺序模型有一些疑问。如果我提出问题的方式有任何问题，请告诉我，我会非常乐意修复它，使它符合社区指南。
我工作的数据集约6000点。我有三个输入变量(都是实数)，还有一个输出(也是实数)。这本质上是一个回归问题。
我发现这里发现，如果您有多个输入，那么使用顺序模型并不是一个好主意。这是真的吗？我还发现许多人使用这个网络进行多个输入值的示例，所以我很困惑。
我的三个数据输入代表了结构设计的三个不同的参数。这被认为是顺序数据，对吗？
我目前的代码给了我相当好的R^2值(~.85)，所以我想知道这是否是侥幸，或者即使我有多维输入，我所做的工作是否有效。
这更像是一个概念性的问题，但如果
浏览 0提问于2022-02-07得票数 0
回答已采纳
3回答
我想为一个多任务的深度学习任务设计一个神经网络。在Keras中，我们可以使用“序列”或“函数”方法来构建这样的神经网络。在下面，我提供了用于构建网络的代码，使用这两种方法构建了一个具有两个输出的网络：
序列
seq_model = Sequential()
seq_model.add(LSTM(32, input_shape=(10,2)))
seq_model.add(Dense(8))
seq_model.add(Dense(2))
seq_model.summary()
泛函
input1 = Input(shape=(10,2))
lay1 = LSTM(32, input_shape
浏览 2提问于2019-09-25得票数 9
1回答
我正在尝试使用MLP进行二进制分类，方法是输出一个2神经元密集层，并将softmax作为其激活函数。但是我总是得到预测的类。
那么我到底做错了什么呢？
请注意，这是我的主神经网络的较短版本。
inp = tf.keras.layers.Input(shape = (len(feat_cols),))
x = tf.keras.layers.Dense(32, activation = "relu")(inp)
out = tf.keras.layers.Dense(2, activation= "softmax")(x)
model = tf.keras.mod
浏览 6提问于2021-02-27得票数 0
1回答
使用神经网络学习分类值的分布
、、、、
使用神经网络学习分类值的分布 其目的是使用神经网络对一维输入进行分类。应该对两个类进行分类，即A和B。用于确定类的每个输入都是一个介于0.0和1.0之间的数字。 class A的输入值在0和1之间均匀分布，如下所示： ? class B的输入值都在0.4到0.6之间，如下所示： ? 现在我想训练一个神经网络，它可以学习将0.4到0.6范围内的值分类为B，其余的分类为A。因此，我需要一个可以近似类的上下界的神经网络。我之前的尝试都没有成功-神经网络总是为所有的输入返回50%的概率，并且损失在时期中不会减少。 使用Python中的Tensorflow和Keras，我已经训练了如下简单
浏览 25提问于2019-04-24得票数 1
回答已采纳
1回答
我刚刚完成了一个关于如何构建神经网络的教程。现在，我正在尝试为二进制分类构建一个成本敏感的神经网络。但不知何故，当我使用预测函数时，我的输出不是binray，而是float。我想我做错了什么，但我不知道是什么。
from keras.layers import Dense
from keras.layers import Dropout
cost_sensitive_NN = Sequential()
cost_sensitive_NN.add(Dense(12, activation = 'relu', input_dim=X_train_NN.shape[1]))
cost
浏览 5提问于2021-11-29得票数 0
1回答
我有一个关于创建一个部分加载权重的深度神经网络的问题。 假设我构建了一个模型，如下所示(假设为模型指定了一系列层)： model = models.Model(inputs, x, name=model_name) 然后，我加载模型的权重。 model.load_weights(weights) 我接下来要做的是向我刚刚创建的深度网络模型添加额外的层，将相应的权重初始化为随机值。 我不知道怎样做才是正确的，所以你能帮我吗？
浏览 35提问于2020-10-05得票数 0
回答已采纳
1回答
如何求出神经网络的ROC曲线？
、、、、
我正试着为我的神经网络求出ROC曲线。我的网络用的是火把，我用的是滑雪来获得ROC曲线。我的模型输出二进制对错以及输出的概率。
output = model(batch_X)
_, pred = torch.max(output, dim=1)
我给了模型输入数据的两个样本(这部分我做得对吗?还是应该仅仅是输入数据的一个样本，而不是两者？)我取概率(_)和两个输入应该是什么的标签，然后按这样的方式来学习。
nn_fpr, nn_tpr, nn_thresholds = roc_curve( "labels go here" , "probability g
浏览 14提问于2022-04-07得票数 3
回答已采纳
1回答
我使用Keras成功地训练了一个神经网络。然而，对少数样本的预测却大错特错。现在，我想将预测限制在一个特定的间隔(例如5到10)，这是我的特定问题预测可能存在的唯一间隔。更一般地说，我想强制输出为特定分布(例如标准正态分布)。我尝试使用Keras概率分布作为函数()的Keras lambda层keras.layers.Lambda( function，output_shape=None，mask=None，arguments=None)。然而，它不是这样工作的。有没有办法将Keras回归中的预测限制在某个区间和/或分布？非常感谢!
浏览 2提问于2019-06-29得票数 1
1回答
我是Keras的新手，我想在这个数据集上应用一个神经网络：https://www.drivendata.org/competitions/57/nepal-earthquake/
我用pd.get_dummies熊猫方法对数据集进行了预处理，将分类变量转化为数值。此外，目标(即1、2或3-取决于伤害等级)被转换成三列，表示有可能成为其中之一。
我编写的NN很简单，但我不知道预测方法返回的值是什么。
# first neural network with keras tutorial
from numpy import loadtxt
from keras.models import Seque
浏览 0提问于2020-03-13得票数 1
回答已采纳
1回答
建立一个不带概率分布的贝叶斯神经网络作为预测模型的因变量是否可行？
我的意思是，如果id喜欢用解释变量X(例如y=5)的向量来推断一个特定的值，比如y(例如，X=)，那么贝叶斯神经网络就可以推断出具有标准差σ的y均值的分布(例如y均值=5，σ=0.5)。
这有意义吗？在不考虑simgma的情况下，神经网络的损失函数是否可以通过y与y均值的比较来工作呢？
部分回答:我认为sigma是神经网络的权重矩阵中分布的结果，它应该能工作。但我想确定并理解。
PS:我在生态学领域工作，所以得到结果的概率分布符合我的目标。
浏览 0提问于2019-01-13得票数 1
回答已采纳
📷
蓝点代表所需的函数，黑色的代表预测的函数
我使用keras的代码如下：
# Set callback functions to early stop training and save the best model so far
from keras.callbacks import EarlyStopping, ModelCheckpoint
callbacks = [EarlyStopping(monitor='val_loss',verbose=1, patience=5,min_delta=0.002,mode='auto',restore_best
浏览 0提问于2019-05-24得票数 1
1回答
作为我学习项目的一部分，我想尝试使用Keras神经网络(我是全新的)来逼近函数f:R^m -> R^n。网络似乎正在学习到一些(确实令人不满意)的观点。但是网络的预测一点也不像预期的结果。
我有两个numpy数组，包含训练数据(函数的m维输入)和训练标签(函数的n维预期输出)。我使用它们来训练我的Keras模型(见下面)，它似乎正在学习所提供的数据。
inputs = Input(shape=(m,))
hidden = Dense(100, activation='sigmoid')(inputs)
hidden = Dense(80, activation='
浏览 0提问于2019-06-26得票数 1
回答已采纳
我是python神经网络的新手。我以前用过ml.net。每个预测示例的准确性都很容易获得f.e ->我的模型在照片上识别自行车，acc = 60%。 现在我需要用python做类似的事情。我使用keras和tensorflow。 我的预测是这样的： predict = model.predict_classes(data) 它返回预测的类，但是如何获得这个预测的准确性呢？
浏览 47提问于2019-10-19得票数 4
1回答
我有一个Keras分类器，它使用Scikit-Learn的Keras包装器构建。神经网络有10个输出节点，训练数据全部用一次热编码表示.
根据Tensorflow ，predict函数输出(n_samples,)的形状。当我安装了514541个样本时，函数返回一个形状为(514541, )的数组，数组的每个条目从0到9不等。
由于我有十个不同的输出，每个条目的数值是否与我在训练矩阵中编码的结果完全一致？
也就是说，如果我的y_train一次热编码的索引5表示“橙色”，那么预测值为5是否意味着神经网络预测了“橙色”？
下面是我的模型的一个示例：
model = Sequential()
mode
浏览 3提问于2018-01-09得票数 0
回答已采纳
4回答
如何计算神经网络预测的置信度分数
、、、、
我正在使用一个深度神经网络模型(在keras中实现)来进行预测。如下所示： def make_model():
model = Sequential()
model.add(Conv2D(20,(5,5), activation = "relu"))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Flatten())
model.add(Dense(20, activation = "relu"))
model.add(Lambda(lambda x: tf.expand
浏览 225提问于2020-01-22得票数 6
1回答
在tensorflow + keras中工作，我试图定义一个自定义的丢失函数。注:我更感兴趣的是损失的价值，而不是预测的实际价值(这将用于异常检测)。
我的网络输出对未来n步的预测。
在t时，我收到一个输入，这是当前的观察(y_t)，我有过去的x时间步骤的历史。我希望将y_t值与y_t的预测值在t-1，.t-n中的每个值进行比较。
为此，我设想了一个长度从1到n的“三角形”数组。我将预测的值加到它们各自的数组的末尾，并从每个数组中弹出第一个值来生成我的y_pred张量。然后，将y_t复制为等长张量(y_true)，用于计算时间t(可能是MSE等)的损失。
我遇到的困难是如何在批间保留这些预测数
浏览 0提问于2019-05-29得票数 3
1回答
我正在建造一个开放健身房环境的DQN。我的观察空间只有一个离散值，但我的行动是：
self.action_space = (Discrete(3), Box(-100, 100, (1,)))
1,56，0,24，2，-78.
我目前的神经网络是：
model = Sequential()
model.add(Dense(24, activation='relu', input_shape=states)) # (1,)
model.add(Dense(24, activation='relu'))
model.add(Dense(2, activation=&
浏览 4提问于2021-02-23得票数 2
回答已采纳
2回答
我训练了一个模型来对7种不同类型的图片进行分类。我的模型只能做一个特定的预测(在我的例子中是numpy.ndarray)，但是我感兴趣的是一个更像概率的预测(例如90%的class1和80%的class2 ...etc)。我现在应该修改的代码部分在哪里？如何使用列车模型得到正确的概率值？
import tensorflow as tf
from tensorflow.keras.layers import Input, Lambda, Dense,Flatten
from tensorflow.keras.models import Model
from tensorflow.keras.ap
浏览 10提问于2022-05-03得票数 -1
回答已采纳
1回答
Keras中损失函数的意义？
、、、、
我用python中的keras建立了一个神经网络，无法真正理解损失函数的含义。
这里首先介绍一些一般信息:我使用了类为0-9的扑克手数据集，这是我用OneHotEncoding编写的向量。我在最后一层使用了softmax激活，所以我的输出告诉我，如果样本属于某个类，向量中的10个条目中的每个条目的概率。例如:我的实际输入(0，1，0，0，0，0，0，0，0，0，0)，这意味着第1类(从0-9表示从没有牌到皇家同花顺)，第1类意味着一对(如果你知道扑克)。利用神经网络，它得到了像(0.4，0.2，0.1，0.1，0.2，0, 0，0,0,0)这样的输出，这意味着我的样本属于0类，20 %属于1类
浏览 0提问于2020-05-04得票数 0
回答已采纳
1回答
如何根据这些数据绘制ROC曲线？
、、、、
我已经使用Keras训练了一个卷积神经网络(CNN)，并进行了以下操作，以便在测试数据集上找到准确性： for root, dirs, files in os.walk(test_directory):
for file in files:
img = cv2.imread(root + '/' + file)
img = cv2.resize(img,(512,512),interpolation=cv2.INTER_AREA)
img = np.expand_dims(img, axis=0)
img
浏览 32提问于2019-01-06得票数 0
我已经在kaggle.I的MNIST数据集上训练了一个神经网络，我在让神经网络预测它正在接收的数字时遇到了麻烦。 我不知道如何尝试解决此问题。 ‘python import pandas as pd
from tensorflow import keras
import matplotlib.pyplot as plt
import numpy as np
mnist=pd.read_csv(r"C:\Users\Chandrasang\python projects\digit-recognizer\train.csv").val
浏览 16提问于2019-06-27得票数 1
回答已采纳
我试图理解用Keras制作的DCGAN的代码，该代码用顺序api创建模型，然后将其封装在函数api模型中。为什么包括功能模型，而不是仅仅使用顺序模型？
我是个初学者，我试着理解这个Keras的设计：
例如，在构建生成器时，使用顺序API定义模型，然后用函数API和序列模型建立新的模型。
def build_generator(self):
model = Sequential()
model.add(Dense(128 * 7 * 7, activation="relu", input_dim=self.latent_dim))
浏览 0提问于2019-08-01得票数 1
回答已采纳
3回答
神经网络中的特征重要性
、、、、
你好，我正在使用keras开发一个神经网络模型，我有一个45个数值预测变量的数据，两个分类目标将被预测，每一个都有一个不同的模型。正如我所发现的，在keras中没有特征重要性模型。我可以使用三个选项:变量之间的相关比、kendals秩系数值和lasso调节。你认为哪一个适合用于神经网络中的特征选择？
浏览 0提问于2020-05-22得票数 1
回答已采纳
我有以下简单的神经网络(只有一个神经元)来测试Keras的sigmoid激活和binary_crossentropy的计算精度：
model = Sequential()
model.add(Dense(1, input_dim=1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
为了简化测试，我手动将唯一的权重设置为1，偏差设置为0，然后使用两点训练集{(-a, 0)
浏览 1提问于2018-09-01得票数 8
回答已采纳
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
我对ML和TensorFlow很陌生。我试图建立一个CNN分类一个良好的图像与腐败的图像，类似于岩石剪刀教程张量流，但只有两类。
模型体系结构
train_generator = training_datagen.flow_from_directory(
TRAINING_DIR,
target_size=(150,150),
class_mode='categorical'
)
validation_generator = validation_datagen.flow_from_directory(
VALIDATION_DIR,
浏览 3提问于2019-11-08得票数 0
回答已采纳
我正在尝试使用遗传算法来自动化神经网络的设计。我对神经网络和tensorflow非常陌生，所以如果我不能正确地提供信息或解释，请原谅。我有多个问题要解决。
我的输入是一个浮点值的数组：
self.data_inputs = np.array([self.car_location, self.car_velocity, self.ball_location]).astype(np.float)
我想要的输出是：
self.desired_output = np.asarray([1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0])
也就是说，我试图让神经网络的输出层，即
浏览 0提问于2021-11-02得票数 1
1回答
在超参数整定过程中，我们选择一个度量来衡量模型的性能。标准的例子: f1评分，精确，回忆，AUC .
一般情况下，对于神经网络的训练，反向传播会根据损失函数的值来优化模型的权重。
接下来的问题是:为什么人们不使用损失函数作为神经网络优化的主要性能指标？
浏览 0提问于2018-12-17得票数 1
回答已采纳
2回答
基于有限特征的预测准确率
、、、、
基于命令后是否完成和使用什么accuracy/probability完成的实践问题具有以下特性：
Available Drivers int64
Placed Time float64
Response Distance float64
Car Type int32
Day Of Week int64
Response Delay float64
Order Completion int32 [target]
我的方法是使用tf.Keras序列来预测目标。看上去是这样的：
model =
浏览 4提问于2019-11-29得票数 0
回答已采纳
我正在为二值图像分类建立一个TensorFlow模型。我有两个标签“好”和“坏”，我希望模型应该为数据集中的每个图像输出，无论该图像是好的还是坏的，以及有多大的概率。
例如，如果我提交了1.jpg，让我们假设它是“好”图像。在此基础上，模型预测概率为1. bad，概率为1. 0%，概率为0.
到目前为止，我已经想出了以下几点
model = tf.keras.models.Sequential([
tf.keras.layers.Conv2D(16, (3,3), activation='relu', input_shape=(input_shape, input_shap
浏览 6提问于2020-07-27得票数 2
回答已采纳
2回答
我正在尝试使用Keras构建一个文本标记(多标签)神经网络。
我已经建立了一个大约2000个单词的字典，并将训练样本编码为长度为140 (带填充)的单词索引的序列。
因此，数据看起来像是size (num_samples, 140)的二维数组。其中样本数量约为30k。
下面是我的神经网络的定义
mdl = Sequential()
mdl.add(Embedding((vocab_len + 1), 300, input_length=140))
mdl.add(LSTM(100))
mdl.add(Dense(train_y.shape[1], activation="sigmoi
浏览 5提问于2018-09-18得票数 2
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
我知道当使用nn.Softmax()作为损失函数时，不需要在神经网络的输出层使用nn.CrossEntropyLoss函数。
但是我需要这样做，是否有一种方法可以抑制在nn.CrossEntropyLoss中使用softmax，而在神经网络本身的输出层上使用nn.Softmax()呢？
动机：我使用shap软件包来分析特性之后的影响，在这里我只能将经过训练的模型作为输入。但是，输出没有任何意义，因为我看的是无界值，而不是概率值。
示例：而不是-69.36作为我的模型的一个类的输出值，我想要0到1之间的东西，所有类的总和最多为1。由于我不能改变它之后，输出需要像这样在培训期间。
浏览 0提问于2019-09-26得票数 2
回答已采纳
我正在学习课程，我无法理解下面的代码，请用简单的英语来解释它。
这是代码
model = tf.keras.models.Sequential([tf.keras.layers.Flatten(),
tf.keras.layers.Dense(128, activation=tf.nn.relu),
tf.keras.layers.Dense(10, activation=tf.nn.softmax)])
我想知道tf.nn.softmax在课程描述中有什么内容，
浏览 0提问于2019-05-07得票数 1
回答已采纳
2回答
我有一个神经网络(MLP)，它一贯低估验证集、测试集和训练集上的目标变量(大约与验证集和测试集上的值相同)。换句话说，神经网络回归输出列(Y_hat)中的条目之和比目标变量列(Y)中的条目之和少10%。目标列中的条目大于或等于零，有相当数量的零项。目标变量的右侧尾部分布较长.
使用多个随机种子对神经网络进行拟合，得到相似的结果(神经网络都在相同的方向上有偏差，数量也是一样的)。
这个问题对于重要的超参数的变化似乎是相当稳健的，包括：-早期停止学习速率计划-模型复杂性-正则化(退出，批处理规范)。
对于低容量的神经网络来说，这个问题不那么严重。
有没有人知道为什么这种持续的低估会发生呢？
浏览 0提问于2018-09-15得票数 2
这实际上是我第一篇关于Stackoverflow的文章，我对机器学习非常陌生。目前，我正尝试用VGG16训练一个简单的图像分类任务的卷积神经网络。它基于本教程：。我的目标是将该模型转换为CoreML，并将其用于iOS上的图像分类。
经过一些挣扎之后，通过使用以下转换行，我能够成功地将Keras模型转换为CoreML模型：
coreml_model =coremltools.converters.keras.convert(“模型路径”，image_input_names =“数据”，class_labels =“类路径”)
但是，在将CoreML模型复制到Xcode中之后，它请求一个形
浏览 1提问于2017-12-08得票数 0
1回答
TensorFlow模型语法
、、、、
我是神经网络和Tensorflow的新手
通常，当我们在TensorFlow中建立一个神经网络模型时，我们定义它的方式如下：
model = tf.keras.models.Sequential([
tf.keras.layers.Conv2D(32, (3,3), activation='relu', input_shape=(150, 150, 3)),
tf.keras.layers.MaxPooling2D(2, 2),
tf.keras.layers.Conv2D(64, (3,3), activation='relu'),
我
浏览 3提问于2020-08-16得票数 0
回答已采纳
1回答
在Windows 10上使用Python 2.7 Anaconda
我已经训练了一个GRU神经网络来使用keras构建语言模型：
print('Build model...')
model = Sequential()
model.add(GRU(512, return_sequences=True, input_shape=(maxlen, len(chars))))
model.add(Dropout(0.2))
model.add(GRU(512, return_sequences=False))
model.add(Dropout(0.2))
model.add(Den
浏览 0提问于2016-05-07得票数 2
1回答
在阅读时，我看到它只允许Sequential模型中的任何定义层的单个输出。我知道如何使用functional (Model类)来做到这一点。
但是，我不明白为什么Sequential模型仅限于具有单个输出的层。执行这种约束是否有设计上的限制？
浏览 1提问于2018-12-08得票数 7
1回答
假设我们有一个简单的二进制分类模型(一个神经网络- NN)，用于将输入图像分类为“狗”(y=1)或“非狗”(y=0)。让我们假设NN有一个"sigmoid输出“\hat{y}。训练后，我们给出狗的图像，神经网络的输出为\hat{y} = 0.8。据我理解，根据模型，" 0.8“的值是特定图像是”狗“的概率(”置信度“)，预测是”它是狗“(因为0.8> 0.5)。
但是，\hat{y}真的是一个(真)概率吗？我的意思是:如果我们用许多不同的图像给神经网络喂食，并且对其中的100个图像，模型给出相同的\hat{y} = 0.8。对于这个\hat{y}是一个真正的概率，我希望这
浏览 0提问于2018-12-15得票数 1
我在keras中创建了一个如下形式的神经网络
from keras.layers import Dense, Activation, Input
from keras import Model
input_dim_v = 3
hidden_dims=[100, 100, 100]
inputs = Input(shape=(input_dim_v,))
net = inputs
for h_dim in hidden_dims:
net = Dense(h_dim)(net)
net = Activation("elu")(net)
outputs =
浏览 18提问于2018-09-09得票数 3
回答已采纳
1回答
我在做一首歌的分类。对于每首歌，我都把它们切成小帧(5s)，作为神经网络的输入特征生成谱图，并且每个帧都有一个相关的歌曲类型标签。
数据如下所示：
name label feature
....
song_i_frame1 label feature_vector_frame1
song_i_frame2 label feature_vector_frame2
...
song_i_framek label feature_vector_framek
...
我可以在没有问题的情况下，从Keras获得每一帧的预测精度。但
浏览 0提问于2018-12-20得票数 0
回答已采纳
我正在用python从头开始构建一个神经网络。 在我用于测试的数据集中，特征都是数字的(57个特征)，目标变量是分类的(10个类，已经将其从0到9转换为数字，但可以使用其他编码)。一切似乎都很正常，除了我不知道如何将模型输出与y_true值进行比较来计算误差。因此，我对目标变量有10个类，我得到的输出是每个观察值的10个元素的数组，而不是每个样本的唯一值/分类。 有人能给我一种简单的方法将我的输出转换成与y_true相当的单个y_predicted值吗？ 除了Numpy和pandas之外，我尽量不使用任何库，所以使用Keras SparseCategoricalCrossentropy()是
浏览 40提问于2021-03-20得票数 0
回答已采纳
1回答
我正在尝试使用我的word2vec模型中的权重作为keras中神经网络嵌入层的权重。我下面介绍的使用：
word_model = gensim.models.Word2Vec(sentences, size=100, min_count=1,
window=5, iter=100)
pretrained_weights = word_model.wv.syn0
keras_model.add(Embedding(input_dim=vocab_size, output_dim=emdedding_size,
浏览 0提问于2018-05-13得票数 1
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
即时通信 IM
对象存储活动推荐
腾讯云开发者
