1回答
这个想法是训练多个二进制分类网络，每个图像类一个，然后合并它们的输出。合并模型的输出层应该是N+1元素的向量，其中N是图像类别的数量。输出向量的argmax是分类结果(图像类)。输出向量的第一个元素是一个偏置项，只有当图像不属于任何一个高概率类时，它才会被激活。该元素将在输出向量中具有恒定(偏差)值，该值将用作分类置信度阈值。通过向网络添加另一个输入，我成功地完成了我想要做的事情；该输入被初始化为一个常量值，并用作偏差。有没有可能在不改变网络的输入形状
浏览 26提问于2021-05-18得票数 0
回答已采纳
我是Keras的新手我的神经网络结构在这里：import keras.backend as KBack
#...some code here
浏览 6提问于2018-08-04得票数 2
1回答
当我们用Tf1.15将tf.keras模型与PReLU进行转换时，PReLU层变成了ReLU，似乎与以前的算子融合了。因此，28 MB的keras h5文件在size.It中变为1.3MB，看起来参数的数量明显减少，因为我没有在PReLU中使用共享权重轴选项。那么，这种转换工作正常，没有任何准确性损失？同样，融合是否考虑了转置卷积层的偏置(在netron中没有将偏置作为输入特性)。这些融合是否在内部保留了训练过的权重参数，它们是否影响
浏览 5提问于2020-04-08得票数 0
1回答
我已经在keras中训练了一个递归神经网络(LSTM)，但现在我正在努力将所有的部分组合在一起。具体地说，我无法理解如何重新组合权重矩阵。我有一个输入，一个隐藏层和一个输出层，如下所示：model = Sequential()model.add(Dense(5, activation='sof
浏览 2提问于2018-03-23得票数 2
2回答
为权重正则化和偏置正则化引入了单独的类。这些类可以是添加自定义正则化器的子类。Keras文档中的一个示例： return 1e-3 * tf.reduce_sum(tf.square(x))
其中x可以是核权重，也可以是偏置权值不过，我想用一个函数来规范我的层，其中包括、层权重和层偏置。有没有办法将这两者结合到一个单一的函数中呢？
浏览 0提问于2019-01-28得票数 2
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
layer_(input_size)
layer_2 =
浏览 14提问于2020-06-13得票数 1
回答已采纳
2回答
在Keras中，对于密集层，我们可以使用参数activity_regularizer。在Tensorflow中，没有类似的参数。喀拉斯：encoding_dim = 32# add a Dense layerdecoded = Dense(784, activation='sigmoid')(encoded)
autoencoder = M
浏览 0提问于2018-04-30得票数 4
回答已采纳
我只是在输入层中有以下错误。我的输入数据是4，输出是1。此外，我还有一个列字符串。数据来自CSV文件。
浏览 9提问于2019-11-29得票数 1
2回答
在Torch中，当我有一个批量输入时，如何向每个输入添加一个偏置向量？假设我有一个3*2的输入矩阵(其中2=类的数量) 0.8191 0.2630 0.7380 0.5885BIAS:我的最终输出应该如下所示：1.1931 1.1063我是Torc
浏览 1提问于2016-02-06得票数 1
我试图将一个现有的经过训练的PyTorch模型移植到Keras中。LSTM网络的Keras实现似乎有三种状态矩阵，而Pytorch实现有四种状态矩阵。例如，对于具有hidden_layers=64、input_size=512和输出size=128状态参数的双向LSTM，如下所示[<tf.Variable 'bidirectional有人能帮我把PyTorch中的4组状态参
浏览 2提问于2018-01-20得票数 11
回答已采纳
1回答
如何在Keras中构建一个层，该层将输入x映射到表单x+b的输出，其中b是相同维度的可训练权重？(这里的激活函数也是标识)。
浏览 0提问于2020-03-11得票数 2
回答已采纳
2回答
卷积层的输出形状
、、、、
我在Keras建立了一个卷积神经网络。在我的例子中，卷积层有一个300维的输入。因此，我期望采用以下计算方法：
print(conv_biases.shape) # (,111)
偏置值的形状是合理的，因为每个滤波器都有一个偏置值Keras要么使用Theano或Tensorflow作为后端。有
浏览 8提问于2017-05-08得票数 3
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。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
1回答
我在Keras中工作，我有一个LSTM，我为它指定了一个intial_state=h0。现在，我希望h0成为一个可训练的变量。我该怎么做呢？，但我确信在Keras中实现这一点的正确方法并不意味着使用import keras.backend as K和黑客Keras类。目前我丑陋的解决方案在于使用一个等于0的虚拟输入，并学习初始状态作为密集层的输出(=层偏置，因为我给出了一个虚拟input=0)，输入由虚拟输入给出：
浏览 1提问于2018-04-03得票数 4
我使用相同的参数和相同的数据集(MNIST)对TensorFlow和Keras进行了直接比较。奇怪的是，Keras在10个时期内实现了96%的性能，而TensorFlow在10个时期内实现了大约70%的性能。我在同一实例中多次运行此代码，这种不一致总是会发生。代码：from keras.datasets import mnist
(x_train, y_train), (x_test, y_test) = mnist.lo
浏览 1提问于2019-11-24得票数 3
我开发了一个基于LSTM层的带有Keras的NN模型。为了提高Paperspace ( GPU云处理基础设施)上的速度，我用新的层切换了层。但是，这只能在具有GPU cuDNN支持的机器上使用。PS: CuDNNLSTM只在Keras master__上可用，不在最新版本中。阅读这个，我认为它会工作得很好，只是简单
浏览 3提问于2017-10-29得票数 8
回答已采纳
我的Keras模型如下所示： tf.keras.layers.Dense(16, activation='relu', input_dim='adam', metrics=['mse'])在获得了良好的验证精度之后，我想看看我的模型的权重和偏差来计算给定输入的输出
浏览 1提问于2019-10-03得票数 0
为什么我们最终需要添加一个Dense(1)层？single_step_model = tf.keras.models.Sequential()single_step_model.add(tf.keras.layers.Dense(1))
output = activation(dot(input, kernel) + bias
浏览 4提问于2019-12-25得票数 1
回答已采纳
3回答
有没有什么方法可以在我们的序列模型tensorflow中初始化权重(w向量)？我在我的神经网络中使用下面显示的代码，并希望自己初始化权重from tensorflow.keras import Sequential
from tensorflow.keras.layers
浏览 0提问于2020-09-23得票数 0
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
腾讯会议
云直播活动推荐
腾讯云开发者
