我有一个模型，它接受一系列图像作为输入(None, n_step, 128, 128) (而不是单个图像)，其中n_step是一个固定数字的10。我正在使用categorical_crossentropy对四类问题进行分类。array with shape (1342, 10, 4) was passed for an output of shape (None, 1, 4) while using as loss `categorical_crossentropy我从错误中了解到，它一
浏览 54提问于2021-02-17得票数 2
回答已采纳
3回答
为了对10种类型的图像进行分类，我使用Keras对基于卷积的序列模型进行了建模。我利用了categorical_crossentropy。我的问题是，尽管我通过包含验证数据在训练模型上获得了99%的准确率，但我在识别不属于10个类别中的任何一个类别的图像时遇到了问题。这样做的正确方式是什么？任何属于这些类型的测试图像都可以通过我的模型很好地分类。但是如果一个图像不是这些类型中的一个，我想把它归类为“未分类的图像”，我
浏览 1提问于2017-10-19得票数 1
1回答
我很难理解为什么稀疏的分类交叉熵不适用于SVHN数据集。from scipy.io import loadmattest = loadmat('data/test_32x32.mat')
y_train = train['y']y
浏览 1提问于2020-11-03得票数 2
2回答
==============] - 1041s - loss: 1.1921e-07 - acc: 0.2445 - val_loss: 1.1921e-07 - val_acc: 0.2435# Compiling the CNN
classifier.compile(optimizer = 'adam', loss = 'categorical_crossentropy
浏览 0提问于2018-06-18得票数 1
回答已采纳
2回答
Keras上的域自适应
、、、
我正在用CNN在Keras上开发一个图像分类器。由于这些图像是从多个域拍摄的，我想尝试一下域适配。为了同时训练一个图像分类器，并使域不变特征，我提出了一个负损失的损失，像这样的领域损失在Keras。model.compile(optimizer='adam',
loss={'main_output': 'categorical_crossentropy', 'domain_output': 'catego
浏览 3提问于2018-01-23得票数 4
回答已采纳
1回答
我正在尝试实现一个CNN，以便对猫和狗的图像进行分类。Dropout(0.4))model.add(Activation('softmax'))
其中高度和宽度等于224，深度等于3，因为我有RGB图像为了读取图像，我使用以下代码。猫和狗的目录分别是test_animals/cat/和test_animals/dog，其中每个标签有1000个jpg图像。
浏览 15提问于2020-03-08得票数 0
我的问题是预测时间序列数据的错误概率。在数据中，我们有(n_samples，timesteps，features)，其中timesteps是时间序列的最大长度。
浏览 0提问于2017-10-25得票数 2
2回答
在使用imwrite进行一些处理之后，我试图保存数据“图像”，但问题是，imwrite对序列不起作用。我读过一些解决方案，并尝试过它们，但它们不起作用。data\\imagesPourAlgo\\images.tiff\\%02d',k);
知道我想保存“写”每一个图像，以便对它们进行另一个处理。
浏览 0提问于2014-02-05得票数 0
回答已采纳
我正在尝试创建LSTM模型。我的数据形状(23931，7)。我选择了两列作为我的模型标题“火车”和标题“标签”。我遵循了两个教程，这里是，。当我运行它时，我得到以下错误：X_train_pad.shape (2839，24) t_train_pad.shape(2839，24,14968)import
浏览 0提问于2019-07-10得票数 0
1回答
Keras中的序列标记
、、、、
nb_epoch=3, validation_data=(X_test, Y_test), verbose=1, show_accuracy=True)
它显示了大约95%的训练，但当我试图预测新的句子使用训练模型的结果是非常糟糕的
浏览 1提问于2016-01-23得票数 5
1回答
我有一个问题，输入作为一个序列的图像，输出作为一系列的标签，它们对应于图像中的每一个帧。输入格式说明如下：目标：根据输入序列[img 0, img 1, img 2, img 3]列表预测标签列表[label 0, label 1, label 2, label 3]。其他标签也依赖于输入序列中的所有图像。因此，这使得目标标签既依赖于单个图像中的空间信息，也依赖于时间信息。
因此，我计划使用卷积神经网络(CNN)对每个im
浏览 1提问于2018-05-17得票数 0
我偶然发现了这个数据集：我试着将激活和丢失作为一个尝试和错误来理解这个概念。model = Sequential()model.add(Activation("relu"))
model.add(MaxP
浏览 0提问于2019-06-07得票数 2
回答已采纳
我试图在keras中使用Conv1D和双向LSTM来进行信号处理，但是对每个时间步骤进行多类分类。问题是，尽管Conv1D和LSTM使用的形状在某种程度上是等价的：
LSTM：(批处理，timeSteps，特性)
Conv1D的输出为= (length- (kernel_size - 1)/strides)，因此不再匹配LSTM形状，即使不使用MaxPooling1D和Dropout。更确切地说，我的训练集X有n个有1000个时间步长和一个通道的样本(n_sample
浏览 3提问于2017-12-01得票数 1
回答已采纳
2回答
我正在实现一个CNN图像分类模型，在那里我正在学习损失函数。有几种类型的损失函数来确定错误。然而，如何找出哪个函数适合于图像的多分类模型呢？
浏览 0提问于2019-08-24得票数 5
我正在尝试为序列预测实现一个简单的多对多LSTM。这个问题很简单。输入是0和1的序列。每个时间步长的输出是该时间步长之前序列中的1的计数。例如，假设输入是0 1 0 1。我应该注意，我使用一种热编码来表示输出。
假设:输入序列的长度是20 (所以在序列中我最多可以有20个)。因此，我考虑将21个类用于输出(一个热编码)。类0表示序列中没有人。model.add(tf.keras.layers.Dense(21, activation='sof
浏览 2提问于2018-10-22得票数 4
200,activation='relu'))
model.compile(loss='categorical_crossentropy
浏览 35提问于2021-05-29得票数 1
回答已采纳
1回答
我正在尝试建立一个LSTM网络，它获取一个序列并对每个序列中的最后一个时间步骤进行分类。(net, 3, activation='softmax')
net = tf.regression(net, optimizer='adam', learning_rate=0.01, loss='categorical_crossentropy，每个序列有64个时间步长。第一个序列是时间步骤0至63，第二个序列是时间步骤1至64，
浏览 2提问于2017-12-12得票数 1
1回答
我对机器学习有点陌生，我正在尝试用一个非常简单的编解码模型来完成一个更大的项目。TimeDistributed(Dense(self.max_output_vocab, activation='softmax')))
它接受一个以整数编码的单词序列，0填充到max_input_length。我的问题
浏览 0提问于2019-11-18得票数 0
回答已采纳
我正在尝试创建一个图像标题模型。你能帮我处理一下这个错误吗？input1是图像向量，input2是标题序列。32是标题长度。我希望将图像向量与序列嵌入连接起来，然后将其提供给解码器模型。dec5) model.compile(loss="categorical_crossentropy
浏览 0提问于2020-06-15得票数 9
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
腾讯会议
云直播
对象存储活动推荐
腾讯云开发者
