1回答
我用Python上的Keras来训练CNN自动编码器。在fit()方法中，我必须提供validation_split或validation_data。首先，我想使用80%的数据作为培训数据，20%作为验证数据(随机分割)。一旦我找到了最好的参数，我想训练自动编码器的所有数据，即不再使用验证集。
是否可以不使用验证集来训练Keras模型，即使用所有的数据来训练？
此外，我的图像中的像素都在0，-0.04之间。是否仍然建议将训练和验证集中所有像素的值标准化为0、1或-1或标准化(零均值，单位方差)？如果是，采用哪种方法比较好？顺便说一下，我的图像实际上是二维热图(一个彩色通道)。
浏览 2提问于2019-07-17得票数 0
回答已采纳
我正在使用CNN自动编码器来创建一个状态表示层，稍后我将被输入到我的增强代理中。所以我训练了我的CNN自动编码器，它给出了很好的状态表示。但我有以下问题
我的自动编码器层可以安装吗？
如果有一个过度适合，它会不会导致红宝石信息在我的瓶颈层？
浏览 0提问于2018-09-19得票数 7
回答已采纳
比方说，一个人想要检测，一张固定大小的图片是否包含猫。但是作为一个数据集，你有10000张猫的照片，30000张不包含猫的图片，但是它们彼此非常相似。例如，让我们假设，"not“类中的30000张图片只包含一两种蜘蛛的图片。
当训练CNN时，你会发现你在测试集上取得了很高的分数(这里的高分=几乎完全对角混淆矩阵)，但是当你想在现实世界中使用CNN时，你会发现几乎所有的东西都被归类为猫。
为什么在这种情况下，网络的泛化程度很差？即使数据集不代表这类数据，CNN也会在现实世界中看到，难道CNN不容易说“我见过10000个猫的例子，所以任何不像猫的东西都不是猫”吗？
如何处理这个问题(除了收
浏览 0提问于2020-12-01得票数 1
回答已采纳
1回答
我有一个时间序列数据集，我想使用BRNN或CNN -RNN ( python编程语言)提取它的特征。
首先，我用分类层训练模型，并获得最好的准确率。
然后，我想从模型的隐藏层中提取特征。
但是我有41个类，我如何提取所有这些类的特征，以及我如何知道提取的特征属于哪个类？
因为我希望每个类及其提取的特征稍后进行一些计算。
浏览 2提问于2020-07-07得票数 0
2回答
我的工作是分析脑电数据，这些数据最终需要分类。然而，获得唱片的标签有点昂贵，这促使我考虑了无监督的方法，以更好地利用我们相当数量的未标记数据。
这自然导致考虑堆叠的自动编码器，这可能是一个好主意。然而，使用卷积神经网络也是有意义的，因为某种类型的滤波通常是一种非常有用的EEG方法，很可能考虑的时间应该是局部的，而不是作为一个整体来分析。
有什么好办法把这两种方法结合起来吗？似乎当人们使用CNN的时候，他们通常使用监督训练，还是什么？为我的问题探索神经网络的两个主要好处似乎是无监督的方面，以及微调(例如，创建一个关于人口数据的网络，然后对一个人进行微调)。
那么，有没有人知道我是否可以把CNN训
浏览 0提问于2017-03-21得票数 12
回答已采纳
问题在于训练CNN的数据集包含0到1000之间数字的(n，n)形状矩阵的输入。输出应该表示相同的(n，n)形状矩阵，其0值与1到1000之间的其他值相匹配。(类似于去噪图像)
Example:
Input: Output:
135 0 283 4 135 75 283 4
25 38 43 0 25 38 43 815
0 99 820 481 533 99 820 481
728 331 3 28 728 331 3 28
通过优化外部成本函数的遗传算法，通过运行输入来生成输出。(这个函数非常复杂，
浏览 2提问于2019-11-09得票数 1
回答已采纳
我正在寻找一个很好的数据集，用于训练一个基于CNN的网络来进行对象定位(即带有类标签和包围框数据的数据集)。
什么是好的初始数据集可以使用？
如何获取和加载所有数据(图像、标签、边框)？
我正在使用python，所以对python友好的数据源是理想的。
浏览 0提问于2018-11-07得票数 0
1回答
自动编码器分析检测
、、、
我最近了解到使用自动编码器(特别是去噪自动编码器)进行的anamoly检测，.To训练自动编码器，我们需要有某种模式的数据吗？或者有什么方法来训练异常数据，以及如何确定这些数据是否适合于自动编码模型的训练。
浏览 0提问于2020-01-20得票数 1
回答已采纳
1回答
Data我正在尝试用一个相当专门的任务(流预测)来训练生物医学领域的模型。我的输入包括视频剪辑，我想预测一个单一的图像或视频。我有像素的地面真相，每帧的视频，但数量是非常有限的视频。然而，我确实有很多相关场景的未标记数据，这就是为什么我考虑转移学习/预培训的原因。
体系结构体系结构明智我正在考虑一个CNN，RNN组合，其中CNN为RNN提供输入帧的表示，以了解输入帧之间的时间关系。
现在我的问题是:我应该使用什么样的CNN，我应该对它进行什么预训练？由于我正在处理生物医学数据，我会假设图像网络以及大多数其他图像数据集并没有真正的帮助，因为图像内容是非常不同的。是否有任何数据集/任务/网络
浏览 0提问于2018-10-10得票数 1
为了训练去噪自动编码器，我在输入数据中构造了x+n，在输出数据中构造了x(x:原始数据，n:噪声)。学习完成后，我通过一个去噪自动编码器(x_test + n_test -> x_test)获得去噪数据。然后，作为测试，我通过将输入和输出数据构造成相同的值来训练自动编码器，就像传统的自动编码器一样。
(x -> x)
因此，在测试阶段，我获得了类似于去噪自动编码器的去噪数据。为什么通过传统的自动编码器来消除噪音？
请告诉我这两个自动编码器的区别。
浏览 4提问于2018-08-05得票数 2
回答已采纳
1回答
我计划使用自动编码器进行特征提取，然后使用潜在向量进行聚类。
我的自动编码器在我的训练集上表现很好(丢失的小图像和重建的图像看起来与输入非常相似)，但是在验证集上表现出更低的性能。
不使用验证集而只使用培训集是个好主意吗？既然我能达到很好的性能，提取的向量应该是“好的”特征。
如果我使用新的数据，我将需要重新训练模型，但我应该始终能够达到良好的性能，因为新的数据将非常类似于当前的数据
浏览 0提问于2019-07-04得票数 0
我对在训练阶段如何使用验证集感到困惑(像CNN这样的神经网络)？在Matlab或python(Keras)这样的平台中，我将数据集分为训练集、验证集和测试集。我知道验证集用于调优超参数(如神经元数目和学习速率)，假设使用SDG优化器，如何根据验证集进行调优？验证集是否只是给出了神经网络对不可见数据(验证集)表现的指示，然后基于此我手动设置了超参数？还是自动(优化器)调优超参数？
浏览 0提问于2020-07-19得票数 2
回答已采纳
2回答
我在想，下面的策略是否已经被使用过，是否可行？
假设你有一个CNN，它能很好地分类图像数据，狗和猫。你只有猫和狗的图像作为训练数据。有没有办法用它来检测马的异常图像？
例如，在一个基于规则的系统中，我们可以说
if P(cat) and P(dog) ~0.5 then it's an anomaly
另一种方法是取特征向量，最后取完全连通层，比较向量与其他向量有很大的不同，可将其视为异常。
你有相关的文件吗？这是个完全愚蠢的主意吗？
浏览 0提问于2019-08-07得票数 0
1回答
我试图从零开始构建一个基于LeNet架构的CNN。
我实现了背景，现在尝试使用16批大小的SGD在MNIST数据集上训练它。我想找到一种快速的方法来验证学习是否进行得很好，并且没有bug。对此，我设想每100批损失一次，但在我的笔记本电脑上花费的时间太长，而且我看不到总体动态(损失会向下波动，但偶尔会反弹，因此我不确定)。有谁能提出一个行之有效的方法，让CNN不用等很多小时的训练就能运转良好？
浏览 0提问于2020-01-19得票数 0
回答已采纳
2回答
我一直在研究MNIST数据集，以了解如何在我的深度学习课程中使用Tensorflow和Python。
多亏了网站上的tensorflow教程，我可以在内部/外部读取数据，还可以在softmax和cnn中训练它。最后，我可以在softmax中获得>%90，在cnn中获得>%98，准确性。
我的问题是，我想要将MNIST上的所有图像调整为14x14，并再次训练它，也是为了增强所有图像(加噪，旋转等)。再训练一次。最后，我希望能够比较这三个不同数据集的准确性。
你能帮我解题吗？如何调整所有图像的大小以及模型应该如何更改。
谢谢!
浏览 2提问于2017-03-14得票数 1
1回答
我想在numpy数组中加载一个巨大的图像数据集，使其成为我正在尝试训练的cnn模型的训练数据。当我试图创建一个numpy数组时，它会给我内存错误，如下所示。np.ndarray(shape=(250000, 3, 512, 512))，否则如何在python中加载如此庞大的数据集？
浏览 2提问于2018-03-06得票数 0
1回答
我有一个包含文本列的数据集。我使用tf-以色列国防军将这些文本列转换为数字列。我想减少数据集的维度，因为tf创建了许多新的特性/列。
我正在考虑使用自动编码器通过使用编码层的输出来减少数据的维数，将这些输出连接到我的数据中，并使用它作为随机森林的训练集。
我的问题是:上述步骤听起来合理吗？特别是，我是否应该在整个数据集上对自动编码器进行训练，然后将编码层的输出(经过训练后)作为新列来填充随机林？见下面的代码
我使用Keras，所以在定义了自动编码器模型之后，我对整个数据集进行了拟合，然后仅使用编码层对整个数据集进行了预测。然后用这些预测作为我最新的数据。
下面是我使用的代码：
def auto
浏览 0提问于2019-12-01得票数 1
回答已采纳
1回答
假设我希望使用堆叠的自动编码器作为训练前的步骤。
假设我的自动编码器是40-30-10-30-40。
我的步骤是：
培训40-30-40使用原始的40个特征数据集在输入和输出层。
仅使用上述的经过训练的编码器部分，即40-30编码器，导出原始40个特征的新的30个特征表示。
在输入和输出层中使用新的30个特征数据集(在步骤2中派生)来训练30-10-30。
从第一步，第40-30步开始，把经过训练的编码器从第3步到第30步-第10步，给出一个40-30-10编码器。
将步骤4中的40-30-10编码器作为NN的输入.
a)这是对的吗？
( b)在训练神经网络时，我是
浏览 2提问于2016-04-27得票数 2
回答已采纳
我使用自己的数据集使用Tensorflow站点上的retrain.py文件来训练模型。然而，在我的第一组图像中，我看到测试准确率为100%，而验证准确率为70%。我看到验证熵在增加，这说明过拟合。我是这个领域的新手，通过在线教程达到了这个阶段。 我还没有启用随机亮度、裁剪和翻转来进行训练。我想知道为什么会有这样的行为？我尝试了一下flower example，它像预期的那样工作。随着我的数据集的增加，交叉熵变得最低而不是增加。 有人能解释一下CNN里面发生了什么吗？ ?
浏览 165提问于2019-02-02得票数 0
回答已采纳
我正在做一个睡眠数据科学实验，我需要一个为每个输入输出多列睡眠质量测量值(十进制数)的模型。 为了进行训练，我使用智能手机(用于输入数据)和智能手表(用于标签或输出数据)收集数据。智能手机在一夜之间收集多行传感器数据，如加速计和陀螺仪。智能手表生成单行睡眠质量指标值(如TWAK、NWAK、WASO等)就一个晚上。数据结构如下： ? 上面是我的数据的表示。左侧是电话功能数据(每天的记录数不确定，具体取决于此人当天的睡眠时间)，右侧是睡眠质量测量数据，每天只有一个值。我需要用这些数据训练一个模型，在线来源似乎表明LSTM是可行的。你能给我一个建议，或者告诉我一个资源，可以帮助我使用pyt
浏览 24提问于2020-11-21得票数 0
1回答
我正在实施CNN分类模型。我已经看到了几个将数据集拆分为测试、训练和验证的实例。我还看到了数据集被分割为训练和测试的实例，测试数据被再次用于验证。这里最好的办法是什么？
浏览 0提问于2022-10-15得票数 0
2回答
我想知道是否有人对许多类(大约400个)的图像分类有什么更好的指导，每个类有少量的样本(大约20个)，对于相对较大的RGB图像(大约600x600)，有什么更好的指导。
我知道自动编码器可以用于特征提取，这样我就可以让一个自动编码器在没有监督的图像上运行，从而降低图像的维数来训练那些下采样的图像。
类似地，我还知道，您只需使用预先培训过的网络，剥离最后一层，并将其转换为一个线性层，使其成为您自己的数据集的类数，然后对最后一层或几层进行训练，使其适合您的数据集。
我还没有在网上找到任何资源来确定这两种特征提取技术中哪一种更好，以及在哪种条件下；有人有什么建议吗？
浏览 0提问于2022-08-30得票数 0
4回答
我想比较CNN和自动编码器在caffe中的性能。我完全熟悉cnn在咖啡馆，但我想是自动编码器也有deploy.prototxt文件？使用这两个模型而不是使用架构有什么不同吗？
浏览 0提问于2016-03-30得票数 2
1回答
如何使用Python (也许还有一些工具，如OpenCV)以编程方式从左边的图像转到右边的图像？
这是我用一个在线裁剪工具手工制作的。我在图像处理方面完全是新手(尤其是在实践中)。我正在考虑应用一些边缘或轮廓检测来创建一个蒙版，稍后我将在原始图像上应用它，以将其他所有东西(除了感兴趣的区域)涂成黑色。但我惨败了。
目标是预处理非常相似的图像的数据集，以便训练CNN二进制分类器。我试图通过裁剪图像接近感兴趣的区域来训练它，但噪音太高了，以至于CNN什么都没学到。
有人能帮我做这个预处理吗？
浏览 9提问于2017-02-24得票数 1
回答已采纳
1回答
我对训练CNN接受输入感兴趣，其中每个输入都是一组低分辨率图像，而每一个地面真相都是一幅高分辨率图像。通过对80幅低层图像的信息进行平均处理，得到地面真实高分辨率图像。我想让CNN做的是从一组较小的低级别图像中生成同样的高分辨率图像，例如5幅低级别图像。
我正在观察TensorFlow GAN，并认为我可以将每一幅训练图像作为低分辨率图像的级联阵列输入，而将每个地面真相作为一幅高分辨率图像输入。但是，我不确定这是否是最好的方法，因为输入和输出的维度会有所不同。有人能建议使用TensorFlow的最佳方法是什么(如果有更好的选择的话，也可以建议其他深度学习框架)吗？谢谢!
浏览 0提问于2019-07-08得票数 0
1回答
本文试图验证浅层CNN模型(AlexNet)和深度CNN模型(ResNet)的性能差异。当训练数据集较小时，浅层CNN优于深层CNN。但随着训练数据集的增大，性能差异逐渐减小。最后，深层CNN的表现要好于浅层CNN。你能请这些详细的背景或者让我知道相关的文件吗？致以敬意，
浏览 5提问于2022-01-08得票数 1
1回答
目前，我正在为新冠肺炎疫苗领域的Twitter情绪分析培训我的Word2Vec + CNN。我使用了预先训练过的GoogleNewsVectorNegative300单词嵌入。问题是为什么我对散文的训练太过份了。我之所以使用预先训练过的GoogleNewsVectorNegative300，是因为当我使用自己的数据集训练自己的Word2Vec时，性能要差得多。下面是我在拟合模型之前所做的几个过程：
文本预处理：
下套管
删除哈希标签、提及、URL、数字、将单词更改为数字、非ASCII字符、转发"RT“
扩张收缩
用反义词代替否定
移除穿孔
移除塞子
莱曼化
浏览 2提问于2022-04-22得票数 0
回答已采纳
3回答
我有用户的头像和时间序列数据(由这些用户产生的事件)。为了进行二分类，我编写了两个模型: LSTM和CNN，它们独立工作得很好。但我真正想要实现的是将这些模型连接起来。
下面是我的LSTM模型：
<code>A0</code>
CNN模型：
<code>A1</code>
以下是CNN的训练方式：
<code>A2</code>
将LSTM和CNN模型连接在一起的最佳方式是什么？
浏览 37提问于2019-03-31得票数 5
3回答
我正在执行一个分类任务，试图检测一个对象。拍摄环境图片，使用视觉算法生成该可能对象的候选对象，一旦隔离，这些候选对象将通过CNN传递给最终决定该对象是否已被检测到。我试图在InceptionV3上使用迁移学习，但是很难训练它，因为我只有一组/类图像。
两难的是，我只有一类数据，当我通过网络传递数据时，我获得了100%的准确性(因为没有什么可比较的)。我该如何克服这个问题？是否应该在网上找到更多类别以添加到数据集中？这些类别应该是什么？
为了澄清，作为一个例子，我有类“猫”。
不是“猫”和“狗”
不是“猫”和“没有猫”。
只是“猫”。这就是我的数据集目前的组成。
浏览 0提问于2020-09-07得票数 10
回答已采纳
1回答
有可能使用经过训练的CNN来生成数据吗？在对X和相应的Y的数据进行训练之后，给出一个新的Y来生成X？还是我必须使用GANs或RNN？我对这个话题还是很陌生的，所以如果我必须朝这个方向走的话，我很乐意有一些线索。
目前，我正在学习tensorflow，并试图实现“卷积序列序列学习”论文。
澄清:我想使用CNN来生成文本序列。我有一个大型的描述数据库，也是1000个类中的一个，我想尝试使用CNN(因为我来自图像分类)。
浏览 0提问于2017-08-30得票数 2
回答已采纳
2回答
我目前的项目是对物体在各种成像过程中的模糊/卷积效果进行建模。现在，我要从一个初步的，人工的模型开始。我正在使用Keras来完成这一任务。
在128 x 128的图像中，我以随机位置上的一组圆圈来创建人工理想数据。然后，我有一个例程，它以这些圆圈的坐标和大小作为输入，并在相同的位置用椭圆替换圆圈。
我试图训练一个卷积神经网络来执行这个函数的逆函数，即用椭圆作为输入读取图像，然后用圆圈代替它们。我通过将这两种图像类型与以椭圆作为输入的图像和以圆圈作为输出的图像组合来创建训练对。
我如何设计一个神经网络来实现这一点？现在，我用的那个只是返回椭圆图像的扭曲拷贝，而不是用圆圈输出图像。
我使用了多种不
浏览 0提问于2019-07-09得票数 1
我有两个不同来源的训练数据集和测试数据集。我的意思是，它们来自两个不同的实验，但它们的结果是相同的生物图像。我想做二进制分类使用深CNN和我有以下的测试精度和训练精度的结果。蓝线显示列车精度，红线在近250个历次后显示测试精度。为什么测试的准确性几乎是恒定的，而不是提高？这是因为、Test、和列车数据集来自不同的发行版吗？
编辑:在我添加了辍学层，回归项和平均减法之后，我仍然得到了一些奇怪的结果，从一开始就说模型太合适了！
浏览 0提问于2017-01-29得票数 3
3回答
我只有大约1000辆车的图像。我需要训练一个模型，可以识别图像是车辆还是非车辆。我没有关于非车辆的数据集，因为它可能是除车辆以外的任何东西.
我想最好的方法是应用迁移学习。我正在尝试训练一个预先训练过的VGG19模型的数据。但是，我仍然不知道如何用没有任何非车辆图像的车辆图像来训练模型。我不能把它分类。
我是全新的ML整体，任何基于实际实现的解决方案都将受到高度赞赏。
浏览 0提问于2019-11-28得票数 2
2回答
我有一个自动编码器：
input_dim = Input(shape=(10,))
encoded1 = Dense(30, activation = 'relu')(input_dim)
encoded2 = Dense(20, activation = 'relu')(encoded1)
encoded3 = Dense(10, activation = 'relu')(encoded2)
encoded4 = Dense(6, activation = 'relu')(encoded3)
decoded1 = Dense(1
浏览 1提问于2017-07-31得票数 5
回答已采纳
我是机器学习的新手，所以我想知道两件事。第一个是比较CNN时要使用的参数。其次，它们是否应该在相同的数据集上进行训练？
浏览 0提问于2019-10-13得票数 0
2回答
我正在努力训练cnn的面部性别和年龄检测模型。我的训练集包含彩色和灰度的面部图像。如何规范此数据集？或者如何处理混合灰度图像和彩色图像的数据集？
浏览 4提问于2018-01-13得票数 4
回答已采纳
我是python keras的新手。随着对Keras的理解，我对Keras的输入形状感到困惑。我觉得在不同的神经网络下，我需要将我的数据重建成不同的形状。 例如，如果我正在构建一个简单的ANN，我的训练数据应该是像m，n这样的矩阵，m是样本的数量，n是特征的数量。但最近我正在学习一维卷积神经网络。我发现教程将训练数据构造为a，b，c，其中a是样本数，b是时间步数，c是特征数(等于1)。但是为什么我不能简单地将数据重塑为a，b呢？因为对于一维卷积神经网络，c将始终为1。 我不确定我是否正确理解了上面的内容。我想知道有没有不同神经网络的training_data形状的总结？或者说，数据的形状背后
浏览 7提问于2019-08-26得票数 0
我正在用凯拉斯的ImageDataGenerator()进行实验，以便在训练CNN模型之前增加我的图像数据集。
我使用的基本生成器对象是：
datagen = ImageDataGenerator(rotation_range = 30,
width_shift_range = 0.2,
height_shift_range = 0.2,
horizontal_flip = True)
然后，我使用以下命令生成一些增强数据：
b
浏览 2提问于2019-04-11得票数 0
1回答
我想设计一个深层网络，上面有一个(或多个)卷积层(CNN)和一个或多个完全连接的隐藏层。
对于具有完全连接层的深度网络，在theano中有用于无监督预训练的方法，例如，使用或。
我的问题是:我如何(在theano中)实现卷积层的无监督预训练阶段？
我不期望一个完整的实现作为答案，但我希望链接到一个好的教程或可靠的参考。
浏览 1提问于2014-07-15得票数 37
回答已采纳
1回答
编码前还是火车后测试分裂？
、、、、
我对ML很陌生，并且使用大量具有高度基数的分类变量的数据集。
我注意到，在许多像这里这样的编码教程中，编码是在训练和测试拆分之后应用的。
我可以检查一下为什么要这样做吗？
为什么我们不能在火车测试分裂之前就应用编码？
我们不能将编码应用到完整的数据集中，在编码之后，将其分割成训练集和测试集吗？
这有什么区别？
浏览 0提问于2022-02-01得票数 5
回答已采纳
我有一个大型的图像数据库，这些图像只被部分标记为多个、非排他性特征或它们上的对象。例如，水下场景中可能有标签water、swimsuit和fish。
问题是它只有部分标记，这意味着标签cat不存在并不意味着图像上没有猫。
训练CNN能够告诉数据集上丢失的标签的最佳策略是什么？
图像库上有23万张图像，但是考虑到多个标签是可能的，很难分辨出完全标记的图像的比例。我能够编写python代码，并设法使用keras在gpu上的mnist数据集上进行培训。
浏览 0提问于2018-01-29得票数 3
回答已采纳
2回答
我有一个CNN模型，分类了10类音频谱图。但是，由于我使用的是开放的数据集，所以需要将未知的音频数据归类为“未知”类。问题是我的训练样本中的未知数据比其他已知的类要大。当模型进行随机优化时，恐怕会出现问题。
我应该把“未知”的训练数据分开，然后单独训练模型。或者我可以简单地将未知数据混合到其他类中，然后立即训练模型？
浏览 0提问于2021-06-28得票数 2
回答已采纳
3回答
嘿，我正在训练一个CNN模型，我想知道如果我使用相同的数据进行验证和测试会发生什么？模型是否也对验证数据进行了培训？(我的模型看到验证数据了吗？)还是只计算了误差和准确度，并在训练中加以考虑？
浏览 6提问于2020-05-24得票数 1
回答已采纳
1回答
我目前正在研究深度学习问题。当你查看数据集时，训练和验证集中的图像非常基本，几乎是相同的。该网络可以实现高训练和验证精度。但当涉及到现实生活中的图像预测时，它的表现非常糟糕(这是因为该模型是在非常基本的图像上进行训练的)。
为了克服这个问题，我将训练和验证图像转换为HSV (色调-饱和度-值)，并在新的HSV图像上训练模型。来自新训练集的1个这样的图像的示例是：
然后，我将现实生活中的图像转换为HSV，并将其传递给模型进行预测。但是，该模型仍然不能正确预测。我假设，由于应用HSV后训练图像和预测图像几乎相同，因此模型应该是预测良好的。是不是有什么地方我想错了？HSV图像真的可以用来训
浏览 10提问于2021-03-19得票数 0
2回答
卷积神经网络的交叉验证
、、、、
我正在使用Keras创建一个CNN模型，我将使用K-折叠交叉验证来训练数据集。
数据集包含图像，我正在使用flow_from_directory函数。
您知道如何在Keras中使用K折叠交叉验证来创建CNN模型吗？
浏览 0提问于2018-09-21得票数 3
我正在尝试使用CNN对一些图像数据进行分类。我有大约38000张不同大小的图片(比如大约400x400px)。我最初只使用图像的一个子集，并使用Open CV将它们加载到列表中，但现在我尝试使用所有图像，我的RAM用完了。在训练过程中处理大量数据的正确方法是什么，可以批量加载和训练吗？如果是这样的话，是怎么做的？
我在Python Jupyter Notebook中工作。
浏览 0提问于2020-11-25得票数 0
1回答
我是深度学习的初学者(CNN)。我使用了这个代码:()来学习更多关于卷积神经网络的知识。这个python代码只是将数据分成"train“和"test”两部分，代码中没有验证部分。那么，如何在包含不同图像(如正常图像和异常图像)的代码中添加验证文件夹呢?我的目标是:向代码中提供一个异常图像(该图像与机器以前训练过的训练和测试图像完全不同)，以查看不同的结果。
浏览 3提问于2017-03-27得票数 1
回答已采纳
3回答
我在想一个我刚刚想到的简单的问题。
许多人利用图像数据上的数据增强来训练深度CNN。
当我从Andrew的DL课程中学习时，他提到要训练一个更好的模型，通常需要您的训练/测试数据来自相同的分布。比如，如果你用大量的汽车和人类图像训练你的CNN，用它来分类一只猫或一只狗(通常)并不是个好主意。
在增强之后，我的训练数据得到了一定的提升，那么我还能不能说我的训练/测试数据集来自相同的分布呢？我违反了他说的话吗？为什么？或者为什么不呢？
浏览 0提问于2017-11-02得票数 1
1回答
自动编码器特征提取平台
、、、
我正在处理一个大型数据集(大约55K的观测x11K特征)，并试图将维度降到大约150个特征。到目前为止，我尝试了PCA，LDA和自动编码器。我尝试的自动编码器是12000-8000-5000-100-500-250-150-，所有的层都是紧密的乙状结肠激活，除了最后一层，它有一个线性激活，以便从输入复制连续的数据。不管学习速度如何，在10-15个时代之后，自动编码器的丢失实际上是稳定的(这里，我在Keras中使用了ReduceLROnPlateau特性)。为了记录在案，我在训练前用z评分来规范每一个特征.我不知道怎么才能让这个损失停止到高原。
我的下一个尝试应该是在这个数据集上使用卷积神经网络
浏览 0提问于2020-08-13得票数 1
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
