如何使用keras序贯模型使用gridsearchCV调整l2正则化器
Keras是一个开源的深度学习框架，提供了方便易用的API来构建神经网络模型。而序贯模型（Sequential Model）是Keras中最简单的一种模型类型，它由多个网络层按照顺序堆叠而成。
在Keras中使用序贯模型进行网格搜索（GridSearch）调整L2正则化器的参数，可以通过以下步骤实现：
- 导入所需的库和模块：
from keras.models import Sequential
from keras.layers import Dense
from keras.wrappers.scikit_learn import KerasClassifier
from sklearn.model_selection import GridSearchCV- 定义创建模型的函数：
def create_model(l2_regularizer=0.01):
model = Sequential()
model.add(Dense(64, input_dim=100, activation='relu', kernel_regularizer=regularizers.l2(l2_regularizer)))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
return model在这个函数中，我们可以通过l2_regularizer参数来调整L2正则化器的强度。
- 创建Keras分类器：
model = KerasClassifier(build_fn=create_model, verbose=0)- 定义参数网格：
param_grid = {'l2_regularizer': [0.01, 0.1, 1]}在这个例子中，我们定义了三个不同的L2正则化器强度。
- 创建GridSearchCV对象并进行网格搜索：
grid = GridSearchCV(estimator=model, param_grid=param_grid, cv=3)
grid_result = grid.fit(X, y)其中，X是输入特征，y是对应的标签。
- 打印最佳参数和得分：
print("Best: %f using %s" % (grid_result.best_score_, grid_result.best_params_))这将输出最佳参数和对应的得分。
通过上述步骤，我们可以使用Keras序贯模型和GridSearchCV来调整L2正则化器的参数，以获得最佳的模型性能。
关于Keras序贯模型、L2正则化器以及GridSearchCV的更多详细信息，您可以参考腾讯云的相关产品和文档：
相关·内容
1回答
以Iris数据为基础，选择基于GridSearchCV函数的最优逻辑模型。
我的工作到目前为止
import numpy as np
from sklearn import datasets
from sklearn.model_selection import GridSearchCV
from sklearn.linear_model import LogisticRegression
iris = datasets.load_iris()
X = iris.data[:, :2]
y = iris.target
# Logistic regression
reg_log = Log
浏览 4提问于2020-11-08得票数 0
回答已采纳
我想将以下滑雪板模型移植到keras：
model = MLPClassifier(activation='tanh', hidden_layer_sizes=(60,50), alpha=0.001, random_state=42)
到目前为止，我得到的是：
from keras.models import Sequential
from keras.layers import Dense
from keras import regularizers
from tensorflow import set_random_seed
set_random_seed(42)
m
浏览 0提问于2019-07-28得票数 2
回答已采纳
1回答
我有一个神经网络，在Keras和scikit中都实现了一个隐藏层--学习来解决回归问题。在scikit- learning中，我使用了具有大多数默认参数的MLPregressor类，而在Keras中，我有一个隐藏的密集层，参数设置为与scikit相同的默认值--学习(它使用相同的学习速率和epsilon以及batch_size为200)。当我训练网络，科学学习模型有一个损失值约一半的角和它的准确性(测量的平均绝对误差)也更好。如果损失值不完全相同，那么损失值不应该是相似的，而且精确性也应该相似吗？有没有人经历过类似的事情，并能够使Keras模型更精确？
Scikit-学习模式：
clf = M
浏览 6提问于2021-06-30得票数 2
回答已采纳
我有一个多类分类问题，我需要找到最佳的参数。我不能更改max_iter、solver和tol (给出它们)，但我想检查哪个penalty更好。然而，GridSearchCV总是返回第一个给定的点球作为最好的点球。
示例：
from sklearn.model_selection import cross_val_score, GridSearchCV, StratifiedKFold
cv = StratifiedKFold(n_splits=5, random_state=0, shuffle=True)
fixed_params = {
'random_state'
浏览 0提问于2021-11-04得票数 1
回答已采纳
1回答
辍学层只在模型的训练中使用，而不是在测试期间使用。
如果我的Keras顺序模型中有一个退出层，那么在执行model.predict()之前，我需要做些什么来删除或关闭它吗？
浏览 0提问于2018-12-23得票数 4
我有以下Keras/TensorFlow代码：
my_initializer = keras.initializers.RandomNormal(mean=0.0, stddev=0.05, seed=1)
my_model = keras.models.Sequential([
keras.layers.Dense(200, kernel_initializer=my_initializer, bias_initializer=my_initializer, activation="relu",input_shape=[len(features)]),
ke
浏览 0提问于2021-07-28得票数 0
回答已采纳
我正在使用Keras和tensorflow后端来训练一个有多个输出但只有一个损失的模型(输出层“部件”上的MSE)。它的定义如下： model = Model(inputs=[image, year], outputs=outputs) # outputs is a list of 8 output layers
model_parallel = keras.utils.multi_gpu_model(model, gpus=2, cpu_merge=True, cpu_relocation=False)
losses = {'parts': keras.losses.mea
浏览 21提问于2019-09-12得票数 2
回答已采纳
1回答
我正在研究一个问题，根据奶牛的图像来预测奶牛有多胖。我使用CNN来估计介于0-5之间的值(我拥有的数据集，只包含2.25到4之间的值)，我使用的是4层CNN层和3层隐藏层。
我实际上有两个问题: 1/我得到0.05的训练误差，但3-5周期后，验证误差保持在0.33左右。2/我的神经网络预测的值在2.9到3.3之间，与数据集范围相比太窄了。这正常吗？
我该如何改进我的模型？
model = tf.keras.models.Sequential([
tf.keras.layers.Conv2D(16, (3,3), activation='relu', input_shap
浏览 1提问于2019-07-16得票数 4
回答已采纳
我正在尝试导入一些正则化程序，代码如下： import tensorflow as tf
from tensorflow import keras
import numpy as np
# importing regularizers
from tf.keras.regularizers import l2, activity_l2 问题是我得到了以下错误： ---------------------------------------------------------------------------
ModuleNotFoundError
浏览 49提问于2021-09-29得票数 0
2回答
损失减少，但验证损失只是波动。
、、、、
我一直试图使用像这样的CNN架构来实现对象检测：
model = keras.Sequential([
keras.layers.Input(shape=(320, 320, 1)),
keras.layers.Conv2D(filters=16, kernel_size=(3, 3), activation="leaky_relu", padding="same"),
keras.layers.MaxPool2D((2, 2), strides=2),
keras.layers.Conv2D(filters=32, kernel
浏览 0提问于2022-06-27得票数 1
回答已采纳
1回答
我正在实现一个耦合到多实例学习层的CNN。简而言之，我得到了这个，用C表示类别的数量： [1 batch of images, 1 label] > CNN > Custom final layer -> [1 vector of size C] 我的最后一层只是暂时总结了上一层。需要明确的是，一批输入只有一次输出。因此，该批次对应于在与1个标签相关联的1个袋子中获取的多个实例。 当我训练我的模型并用相同的集合验证它时： history = model.fit_generator(
generator=training_generator,
step
浏览 28提问于2019-09-10得票数 0
回答已采纳
我使用的是python 3.7和Tensorflow 2.2.0。我想从头开始训练MobileNet-V2，因此我采用了已经构建的模型，并向所有需要的层添加了正则化器。这个模型编译得很好，我能够对它进行拟合。但是，在保存模型时，我遇到了以下错误： File "/mnt/disk1/anaconda3/envs/py37/lib/python3.7/site-packages/tensorflow/python/saved_model/nested_structure_coder.py", line 82, in _map_structure
"No enc
浏览 11提问于2020-10-26得票数 0
回答已采纳
1回答
我对使用正规化的地方感到困惑。在理论上，我看到正则化已经与损失函数相结合。
但是在Keras的时间实现中，我看到正则化已经被用于神经网络层。
from keras import regularizers
model.add(Dense(64, input_dim=64, kernel_regularizer=regularizers.l2(0.01)
model.add(Dense(28, input_dim=64, kernel_regularizer=regularizers.l1(0.05)
在这里，我在不同的层中使用了L1和L2丢失。那么如何计算最终的损失函数呢？
浏览 4提问于2022-06-02得票数 0
1回答
请检查此链接的这个方程，并将其转换为一个简单的keras模型的python损失函数。
图中方程的最大部分或曲线选择部分为铰链损失，易表示每个例子的标号，φ(x)表示特征表示，b表示偏倚，k是训练示例的总数，w是要学习的分类器。
为了便于检验，样本方程是-
min(w) [
1/k(sum of i to k)
max(0, 1 - y_i(w.φ(x) - b))
]
+
1/2||w||^ 2
.
实际上，我可以在图片中找到方程的最大部分或曲线部分，但我不能找到1/2 **\，w，，x，x，^2部分。
你也要查看这个链接以寻求帮助-
在这里，我附加了一些示例代码来澄清我的问题的概念：
浏览 0提问于2019-10-25得票数 0
回答已采纳
1回答
我已经构建了一个定制的Keras模型，它由不同的层组成。由于我希望向这些层添加L2正则化，所以我传递了一个keras.regularizers.l2实例作为这些层的kernel_regularizer参数的参数(作为示例，请参见的构造函数)。现在，如果我使用Keras实现二进制交叉熵损失()来训练这个模型，我可以肯定在计算损失时会考虑到我指定的L2正则化。
但是，在我的示例中，除了y_true和y_pred之外，还有一个自定义丢失函数需要其他几个参数，这意味着我无法将这个函数作为model.compile(...)的loss参数的参数传递(实际上，我甚至不调用model.compile(...
浏览 1提问于2020-09-18得票数 3
回答已采纳
3回答
我正在用Keras实现一个神经网络，但是Sequential模型返回nan作为损失值。我在输出层中有sigmoid激活函数来压缩0到1之间的输出，但可能不能正常工作。
这是代码：
def data_generator(batch_count, training_dataset, training_dataset_labels):
while True:
start_range = 0
for batch in batch_count:
end_range = (start_range + batch[1])
batch_dataset = train
浏览 0提问于2020-02-19得票数 14
1回答
我用100000个样本在Keras中训练了一个通用模型，并取得了良好的性能。然后，对于特定样本，我希望使用训练的权重作为初始化，并继续优化权重，以进一步优化特定样本的损失。
然而，出现了这个问题。首先，我通过keras轻松地加载训练过的权重，然后对一个特定样本的损失进行评估，该损失与模型训练过程中验证损失的损失非常接近。我认为这是正常的。然而，当我使用训练后的权重作为输入，并进一步优化model.fit()对一个样本的权重时，损失是非常奇怪的。比评价结果高得多，经过几个时期后逐渐恢复正常。
我认为奇怪的是，对于同一个简单的和加载相同的模型权重，为什么model.fit()和model.eval
浏览 0提问于2018-12-23得票数 0
2回答
在Keras和Pytorch中，SGD优化器具有权重衰减参数，我发现tf.train.GradientDescentOptimizer没有重量衰减参数。什么是tensorflow等效的SGD与重量衰减？
Pytorch
Keras优化器-
浏览 4提问于2019-03-07得票数 1
1回答
我用模型训练了python的一个模型
reg = 0.000001
model = Sequential()
model.add(Dense(24, activation='tanh', name='input_dense', input_shape=input_shape))
model.add(GRU(24, activation='tanh', recurrent_activation='sigmoid', return_sequences=True, kernel_regularizer=regularizers.l2(r
浏览 2提问于2020-09-25得票数 2
回答已采纳
下面的模型是在TF1中定义的，我试图在不使用compat的情况下将其迁移到TF2。
# Define the tensorflow neural network
# 1. Input:
self.input_states = tf.placeholder(
tf.float32, shape=[None, 4, board_height, board_width])
self.input_state = tf.transpose(self.input_states, [0, 2, 3, 1])
# 2. Common Networks Layers
self.conv1 = t
浏览 7提问于2022-08-14得票数 0
回答已采纳
1回答
我正在寻找一个适当的方法，以实现一个动态的正则化的一个层，在培训期间。例如，经过10次调用后，我希望将L2正则化替换为L1正则化，只对MyLayer的特定权重进行正则化。以下是该层实现的示例：
class MyLayer(tf.keras.layers.Layer):
def __init__(...)
some code
def build(self, input_shape):
self.regularizer = tf.keras.regularizers.L2() # this regularization should be chang
浏览 3提问于2020-12-29得票数 0
回答已采纳
tf.keras.layers.Embedding具有参数embeddings_regularizer。在pyTorch或nn.Embedding中，这等同于什么？
浏览 0提问于2020-12-05得票数 4
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
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
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
1回答
为了评估偏差-方差权衡，我更喜欢绘制预测误差与训练估计器的复杂性的关系图。error vs complexity plot 在xgboost the documentation states that the complexity is taken as the regularisation term of the objective function的情况下。因此，原则上应该很容易生成这样的图。 然而，我不知道如何为训练好的模型检索计算出的正则化项。我使用的是Python scikit-learn API。 这个值在库中可用吗，还是应该在训练后重新计算？
浏览 12提问于2020-08-28得票数 0
回答已采纳
假设我通过“盗梦空间”转移学习。我增加了几层，并训练了一段时间。
下面是我的模型拓扑结构：
base_model = InceptionV3(weights='imagenet', include_top=False)
x = base_model.output
x = GlobalAveragePooling2D()(x)
x = Dense(1024, activation='relu', name = 'Dense_1')(x)
predictions = Dense(12, activation='softmax', na
浏览 1提问于2018-01-18得票数 12
回答已采纳
1回答
我在Tensorflow 2中实现了一个模型，我想在我的模型中对张量(两层输出的乘法)应用一个惩罚。我习惯于在层上使用正则化(内核、偏向或活动正则化)。
我可以构建一个只具有活动正则化的自定义层，但我突然发现有一个更简单的解决方案来将正则化添加到张量中。
我在中看到了这段代码
regularizer = tf.keras.regularizers.L2(2.)
tensor = tf.ones(shape=(5, 5))
regularizer(tensor)
其中产出：
<tf.Tensor: shape=(), dtype=float32, numpy=50.0>
但是，这只是
浏览 5提问于2022-01-30得票数 4
1回答
我上过一门关于神经网络的课程，不太明白为什么我从logistic回归和两层神经网络(输入层和输出层)中得到了不同的结果。输出层使用sigmoid激活函数。根据我所了解到的，我们可以使用神经网络中的sigmoid激活函数来计算概率。这应该是非常相似的，如果不是完全相同的逻辑回归试图完成的。然后利用梯度下降将误差降到最小。也许有一个简单的解释，但我不明白为什么准确性分数有这么大的差异。在本例中，我没有使用任何培训或测试集，只是简单的数据来演示我不理解的内容。
logistic回归的准确率为71.4%。在下面的例子中，我为'X‘和结果'y’数组创建了数字。当结果等于'1‘时，
浏览 1提问于2017-09-24得票数 10
回答已采纳
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
我在Keras中使用一个简单的前馈网络来解决一个回归问题。网络的设置非常简单:3个隐藏层具有tanh激活，输出层具有线性激活的单个节点。
但是，我注意到输出中有一些非常极端的值，如下所示：
我有点担心极值会支配损失函数(MSE)，所以我想修剪它。有没有办法在Keras中做到这一点？
浏览 5提问于2018-08-08得票数 2
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
两个问题：
我在试着运行一个预测翻滚的模型。我的许多特性都存在多重共线性问题。为了解决这个问题，我试图用岭来惩罚系数。
更具体地说，我试图运行一个逻辑回归，但应用岭惩罚(不确定这是否有意义)的模型.
问题：
选择一个岭回归分类器是否就足够了？还是我需要选择逻辑回归分类器并在其后面加上一些脊惩罚的参数(即LogisticRegression(apply_penality=Ridge) )？
我试图确定特性的重要性，通过一些研究，我似乎需要使用以下方法：
但是，如果我的模型是围绕sklearn.pipeline.make_pipeline函数构建的，那么我很困惑如何访问这
浏览 8提问于2022-06-04得票数 1
我将用Keras编写的逻辑回归器的结果与默认的Sklearn进行比较。我的输入是一维的。我的输出有两个类，我感兴趣的是输出属于类1的概率。
我希望结果几乎是一样的，但它们甚至不是很接近。
这是我如何生成随机数据的方法。注意，X_train，X_test仍然是向量，我只是使用大写字母，因为我已经习惯了。在这种情况下，也没有必要进行缩放。
X = np.linspace(0, 1, 10000)
y = np.random.sample(X.shape)
y = np.where(y<X, 1, 0)
这里是y在X上的累加，在这里做回归并不是火箭科学。
我做了一个标准的火车测试-分
浏览 7提问于2017-07-05得票数 13
回答已采纳
通过传递作为层参数的值，可以在Keras中的基本LSTM或GRU层上应用递归下拉列表。
CuDNNLSTM和CuDNNGRU是与CUDA兼容的LSTM和GRU层。主要的优点是他们在训练中的速度是原来的10倍。然而，它们缺乏Keras中LSTM或GRU层的一些优点，即传递辍学或反复辍学的可能性。
虽然我们可以直接在模型中添加Dropout层，但是我们似乎不能通过递归Dropout来实现这一点。
那么，我的问题是：如何在Keras ?中向CuDNNGRU或CuDNNLSTM添加经常性的辍学
浏览 0提问于2018-12-06得票数 5
回答已采纳
我正在编写一个keras自定义损失函数，其中我希望将以下内容传递给此函数: y_true，y_pred (这两个参数无论如何都会自动传递)，模型中某一层的权重，以及一个常量。
如下所示：
def Custom_loss(y_true, y_pred, layer_weights, val = 0.01):
loss = mse(y_true, y_pred)
loss += K.sum(val, K.abs(K.sum(K.square(layer_weights), axis=1)))
return loss
但是上面的实现给了我一个错误。我如何在keras中实现这一
浏览 3提问于2017-10-21得票数 14
loss='categorical_crossentropy'
activation='softmax'
Metrics used:
keras_metrics.precision(),
keras_metrics.recall(),
keras_metrics.f1_score(),
'accuracy'
我做错了什么，我用LSTM来分类一个多标签的问题，我已经转换成一个热编码。除了精度之外，其他值都很高，但精度却非常低得惊人。
浏览 1提问于2020-08-27得票数 1
回答已采纳
这是关于TF 2.0的。 请在下面找到我的代码，它使用sklearn.model_selection.GridSearchCV对mnist数据集执行GridSearch和交叉验证，工作得很好。 # Build Function to create model, required by KerasClassifier
def create_model(optimizer_val='RMSprop',hidden_layer_size=16,activation_fn='relu',dropout_rate=0.1,regularization_fn=t
浏览 307提问于2020-01-15得票数 7
我想在我的tf神经网络中增加正则化：
我尝试了第一个解决方案(Lukazs的解决方案)：
但是，编译器在我面前做出了让步：
模块'tensorflow‘没有属性'get_collection'？
我需要怎么把这个添加到模块中？还有其他增加正则化的方法吗？
这是我的代码的相关部分：
def get_trained_model(X,y,hidden_size_list, steps, lambdaa = 0):
model = keras.models.Sequential()
model.add(keras.layers.Flatten(input_sh
浏览 20提问于2022-06-10得票数 0
回答已采纳
2回答
我想用L1和L2正则化来规范网络的权重。然而，我无法找到一种方法来独立地改变规则的强度。Keras 也不提供任何信息。
那么，l1_l2 是否有一种方法可以在正则化器中使用不同的优点？，还是实现相同结果的另一种方法？
我目前的模式很简单：
stren = 0.001
model = Sequential()
model.add(Dense(64, input_dim=148, activation='relu', kernel_regularizer=reg.l2(stren)))
model.add(Dense(1, activation='sigmoid',
浏览 0提问于2018-06-19得票数 4
回答已采纳
1回答
我试图复制这篇文章：
基本上，一个完全卷积网络(FCN)对图像的一个补丁做体素级预测，然后，这个补丁及其相应的标签通过一个自动编码器，然后比较来评估预测的“全局形状”。
所以损失函数(eq )。(1)第4页是FCN的交叉熵与自动编码器的欧几里德距离损失之间的线性组合。
问题：
我有一个工作的FCN和一个工作的自动编码器，我的问题是在Keras/tensorflow中实现这个丢失函数。那我该怎么做呢？
这是我迄今尝试过的(没有第三项等式)，但却给出了错误的结果：
def euclidean_distance_loss(y_true, y_pred):
from keras import
浏览 0提问于2018-03-20得票数 0
考虑以下代码：
import numpy as np
A = np.array([[.8, .6], [.1, 0]])
B1 = tf.keras.utils.normalize(A, axis=0, order=1)
B2 = tf.keras.utils.normalize(A, axis=0, order=2)
print('A:')
print(A)
print('B1:')
print(B1)
print('B2:')
print(B2)
回传
A:
[[0.8 0.6]
[0.1 0. ]]
B1:
[[0.88888889
浏览 15提问于2019-09-30得票数 2
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：
from keras import regularizers
encoding_dim = 32
input_img = Input(shape=(784,))
# add a Dense layer with a L1 activity regularizer
encoded = Dense(encoding_dim, activation='relu', activity_regularizer=regularizers.l1(10e-
浏览 0提问于2018-04-30得票数 4
回答已采纳
1回答
一类概率的稳定神经网络预测
、、、、
我一直在尝试用library(keras)拟合一个用于二进制设置的神经网络，我对类概率(而不是0/1，事件的概率)感兴趣。
我的消极情绪是积极类的5.018倍。我添加了我一直在使用的代码。我无法稳定预测。我能理解那种噪音和一切。，但我需要设置一些约束，以便每次得到接近的估计值。，我已经离开ides了。还有什么可以用来稳定预测的吗？
我不能分享这些数据，因此这里是火车数据级预测的总结，我绘制了验证/训练图。
first run Second run
Min. :0.001843 Min. :0.0004508
1st Qu.:0.01227
浏览 3提问于2020-09-01得票数 0
我使用MobileNet和TensorFlow 2来区分4个相当相似的玩具。我有每个玩具的750张图片和一个标签，其中包含750张“负面”图像，没有任何玩具。
我以前在这方面使用过MobileNet，取得了相当的成功，但是这个案例的某些地方导致了大量的过度拟合(在训练/验证的准确性之间大约有30-40%的偏差)。该模型训练速度快，训练精度可达99.8%左右，但验证精度仅为75%左右。验证数据集是一个随机集，包含20%的输入图像。当看模型的准确性时，人们对其中的一个玩具有很大的偏见，还有很多其他的玩具被错误地识别为那个玩具。
我已经尽了一切努力来对抗这一切：
我在添加到Conv2D顶部的Mobi
浏览 0提问于2019-08-16得票数 4
回答已采纳
2回答
我正在将一个基本的MNIST模型训练程序从使用keras2.3.1移植到tf.keras (TensorFlow2.0)，并且看到了一些奇怪的行为。
我的初始代码训练得很好，但是在更新我的导入之后，模型训练就陷入了困境。
以下是我的代码
#initialize the network
input_layer = Input(shape=(784,))
network1 = Dense(152, activation=nn.tanh)(input_layer)
network2 = Dense(76, activation=nn.tanh)(network1)
network3 = Dense(
浏览 3提问于2019-11-19得票数 0
3回答
最近，我一直在使用Tensorflow后端在Keras中应用网格搜索交叉验证(sklearn GridSearchCV)进行超参数调优。一旦我的模型被调优，我就会尝试保存GridSearchCV对象以供以后使用，但没有成功。
超参数调整如下所示：
x_train, x_val, y_train, y_val = train_test_split(NN_input, NN_target, train_size = 0.85, random_state = 4)
history = History()
kfold = 10
regressor = KerasRegressor(build_
浏览 0提问于2018-07-19得票数 10
2回答
问题：问题--根据它们的默认参数值，吡火花和scikit学习中的逻辑回归模型的默认实现(没有自定义参数集)似乎会产生不同的结果。
我正在尝试复制使用pypark (参见：)执行的logistic回归(没有自定义参数集)的结果，并使用来自scikit-learn的logistic回归模型(请参见：)。
在我看来，这两种模型实现(在pyspark和scikit中)都不具有相同的参数，所以我不能只是简单地匹配scikit中的参数来适应那些在pyspark中的实现。对于如何在两种模型的默认配置上匹配，有什么解决方案吗？
参数Scikit模型(默认参数)：
`LogisticRegression(
C=
浏览 3提问于2017-06-18得票数 6
回答已采纳
我在PyTorch中使用Adam优化器训练了一个模型，并将weight_decay参数设置为1.0。
optimizer = optim.Adam(model.parameters(), lr=args.lr, weight_decay=1.0)
optimizer.zero_grad()
loss.backward()
optimizer.step()
如果我想要比较weight_decay损失和模型损失的数量，如何查看weight_decay造成的损失的价值
浏览 0提问于2019-10-18得票数 0
我学习了机器学习，并试图构建一个简单的tensorflow模型。当我尝试训练模型时，我的损失数字大约是10。
5s 83us/step - loss: 9.6847 - acc: 0.3971
模型代码：
model = keras.Sequential([
keras.layers.Flatten(input_shape=(28, 28)),
keras.layers.Dense(128, activation=tf.nn.relu),
keras.layers.Dense(128, activation=tf.nn.relu),
keras.layers.D
浏览 34提问于2018-12-15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
腾讯会议活动推荐
腾讯云开发者
