我试图建立一个简单的神经网络来将产品图像分类为不同的标签(产品类型)。例如,给出一个新的产品图像,说明产品类别类型(书籍、玩具、电子产品等)。它属于。
我在每个产品编号下有几个产品图像,每个产品编号在excel表中都有一个标签(即产品类型)。
下面是我的代码:
from sklearn.preprocessing import LabelEncoder
from sklearn.cross_validation import train_test_split
from keras.models import Sequential
from keras.layers import Activat
有没有好的方法可以在一个完全连接的PyBrain网络中添加/删除神经元及其相关连接?假设我是这样开始的:
from pybrain.tools.shortcuts import buildNetwork
net = buildNetwork(2,3,1)
我如何让它成为(2,4,1)或(2,2,1)网络,同时保持所有旧的权重(并将任何新的权重初始化为随机,就像初始化网络时所做的那样)?我想这样做的原因是因为我正在尝试使用进化学习策略来确定最佳架构,而“突变”步骤涉及到以一定的概率添加/删除节点。(输入和输出模块应该始终保持不变。)
编辑:我发现了NeuronDecomposableNetwor
在典型的神经网络中,每个层都有一定数量的神经元,所有神经元都有来自前一层每个神经元的传入连接(反之亦然)。这一点我没有问题,知道如何传播。
然而,当你有一个没有层层神经元的网络时(我正在研究整洁的算法);其中神经元只是基于遗传算法(随机创建-然后是适应度的测试)连接,没有一个简单的方法来计算如何向前传播,例如;
1 input neuron - connected to neurons 2 and 3
Neuron 2 is also connected to neuron 3
Neuron 3 is connected to the output.
在这种情况下,如果我只是通过数字,那么一切
我正在使用here api的路由匹配函数。
我偶然发现了一个名为VERTICAL_FLAGS的ADAS_ATTRIB属性。
文档中提到的唯一一次是(至少到目前为止我发现的):
"Y/N. Specifies for each coordinate point along the link, whether it was introduced on a straight road section, because of height changes. If Y then this shape point exists only in the ADAS link gemoetry, but
我试图使用自动编码器(简单,卷积,LSTM)来压缩时间序列。
这是我试过的模特。
简单的自动编码器:
from keras.layers import Input, Dense
from keras.models import Model
import keras
# this is the size of our encoded representations
encoding_dim = 50
# this is our input placeholder
input_ts = Input(shape=(2100,))
#