1回答
我已经在互联网上搜索了几天，试图找到一个解决这个错误的方法，但我找不到的任何东西都是特别适用的：
ValueError: Error when checking target: expected dense_2 to have shape (300,) but got array with shape (60,)
下面是生成错误的代码(数据预处理除外)：
model = keras.Sequential([
keras.layers.Conv1D(5,input_shape=(1,60), kernel_size=12, padding='same'),
keras.laye
浏览 3提问于2018-12-08得票数 0
回答已采纳
1回答
我有一个keras模型，最后一层的输出形状是(None,574,6)，None是我的批处理大小的模型。
我还有一个名为anchors的二维numpy数组，其形状为(574,6)。
我想要的是每个数据的输出减去numpy数组元素。
import keras.backend as K
anchor_tensor = K.cast(anchors, tf.float32)
print(K.int_shape(anchor_tensor))
#(576, 4)
print(K.int_shape(y_pred))
#(None, 574, 6)
y_pred - anchor_tensor
由于ba
浏览 2提问于2019-09-24得票数 0
回答已采纳
我们正在尝试使用Google Colab TPU构建一个图像分割深度学习模型。我们的模型是Mask R-CNN。
TPU_WORKER = 'grpc://' + os.environ['COLAB_TPU_ADDR']
import tensorflow as tf
tpu_model = tf.contrib.tpu.keras_to_tpu_model(
model.keras_model,
strategy=tf.contrib.tpu.TPUDistributionStrategy(
tf.contrib.cluster_resolver.TPUCl
浏览 0提问于2018-10-17得票数 3
在我尝试使用它之前，我正在尝试在python3.5上复制Tim O‘’shea的RadioML，并一直在编辑他的公开代码：
在第5页，我已经将行“"model.add(keras.layers.ZeroPadding2D(padding=(0，(model.add((0，2))”改为ZeroPadding2D 0))“，因为我使用的是keras2而不是他的python日志中的keras1.2，在model.summary() of (None，1，2,128)中获得输出形状，其中示例输出显示我应该得到的形状是(None，1，2,132)。这减少了所有后续的输出形状，因为它是一个顺序模型
浏览 2提问于2018-01-24得票数 0
最近，我在一次面试中被要求使用tensorflow构建一个符合以下要求的神经网络：
模型的输入层必须具有(32，10，1)的输入形状。
模型的输出形状必须为(32，10，1)
作为回应，我提供了以下解决方案：
import tensorflow as tf
from tensorflow.keras.layers import Dense, Conv1D
model = tf.keras.models.Sequential([
Conv1D(filters=32, kernel_size=1, activation='relu', input_sha
浏览 12提问于2022-04-27得票数 1
1回答
我尝试从我的LSTM模型中预测一个结果
我的模型有n_features = 32和time_step = 100，代码如下
model = tf.keras.Sequential([
tf.keras.layers.InputLayer( input_shape=(time_step , n_features)),
tf.keras.layers.LSTM(64),
tf.keras.layers.Dense(1)]
)
我使用生成器训练我的模型
generator = TimeseriesGenerator(x_feature,y_target,length=time_st
浏览 0提问于2020-03-21得票数 0
1回答
Keras稠密层形状误差
、、、
我正在使用keras创建一个LSTM模型。在训练的时候，我会犯这个错误。
ValueError: Error when checking target: expected dense_4 to have shape (1,) but got array with shape (34,)
这是我的模型
model = Sequential()
model.add(Embedding(max_words, embedding_dim, input_length=maxlen))
model.add(LSTM(128, activation='relu'))
model.a
浏览 0提问于2018-07-31得票数 2
回答已采纳
我有一个Keras模型，我正尝试将其导出到ProtoBuf 最后几层看起来像这样： features (Dense) (None, 128) 49280 concatenate_1[0][0]
__________________________________________________________________________________________________
gaze_target (Dense) (None, 2) 258
浏览 28提问于2020-01-24得票数 0
我有一个经过训练的Tensorflow模型和权向量，它们分别被导出到protobuf文件和权值文件中。
我如何将这些转换成JSON或YAML和HDF5文件，这些文件可以被Keras使用？
我有Tensorflow模型的代码，所以将tf.Session转换为keras模型并将其保存在代码中也是可以接受的。
浏览 5提问于2017-06-09得票数 27
回答已采纳
2回答
这是我的模型：
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(40, 40, 3)),
tf.keras.layers.Dense(150, activation='relu'),
tf.keras.layers.Dropout(0.2),
tf.keras.layers.Dense(10)
])
我的输入张量叫做image_batch。当我运行np.shape(image_batch[0])时，结果是TensorShape([40, 40, 3])。这是预期的
浏览 10提问于2020-02-20得票数 0
回答已采纳
如果TensorFlow Keras代码是以功能方式编写的
input_positive = Input(shape=(input_size,), name="input_query")
x_positive = tf.keras.layers.Dense(128, activation="relu")(input_positive)
x_positive = tf.keras.layers.Dense(128, activation=None)(x_positive), # No activation on final dense layer
output
浏览 0提问于2021-03-04得票数 1
回答已采纳
1回答
我很难理解我想要创造的模型。
我有几个问题要问，所以我先解释一下我的模型，以及我想做什么：
我已经创建了数据序列(模型的输入和输出)，每个步骤有7个时间步骤，因此输入将是某一周的天数的值，输出是下一周的天数的值(**因此，我的模型的input1的输入形状与输出**相同)。
我还准备了另一个输入列表，它有一些额外的特性，比如假日标志和天气条件，用于**下周**，因此模型的第二个input2具有每个示例的形状(7,7)。
以下是完整的示范摘要：
📷
在lstm层和一个完全连接的NN之后，我尝试将两个输入连接在一起，基本上，我想将input2连接到层dense_1的输出。因此，我将(7,1
浏览 0提问于2020-10-15得票数 2
回答已采纳
我有两个角粒模型。第一阶段是将256x192图像编码成128维矢量.它的输入形状为(None, 192, 256, 1)，输出为(None, 128) (None用于批次大小，它始终是所有keras模型中的第一个形状元素)。第二模型应比较第一模型中的两个向量.因此它的输入形状是(None, 256)，输出形状是(None, 1)。
我想用常规的fit方法训练那些模型。所以我需要用某种方式把它们连接成一个模型来训练它。该模型的输入形状可能应该是(None, 2, 192, 256, 1) (2用于两个应该比较的图像)，输出形状- (None, 1)。此外，我还想保留前两个模型，以单独使用他们以后
浏览 14提问于2022-10-15得票数 0
最近，我收集了几个Keras模型，我正在使用keras.Models.model_from_json函数导入它们的体系结构(注意，还没有进行任何培训)。我的图像数据生成器可以进行定制，以生成不同大小和形状(在相同的流生成器中变化)的批量样本。例如，我可以使用形状(*batchsize*,32,32,3)和总共6个类生成数据。目前，导入的模型具有不同的输入和输出形状，比如(5*100*100*3)和分配给它们层的两个类。我的目标是改变这些层的输入和输出形状，以便在模型性能中比较不同的图像大小。
首先，在输入层，我尝试了：
model.layers[0].input.set_shape((None
浏览 0提问于2018-08-16得票数 0
1回答
我正在尝试调整这个Keras/Tensorflow教程中的文本分类器神经网络，以输出多个(超过两个类别)。我认为我可以改变输出层使用'softmax‘激活，但我不知道如何调整输入层。
教程链接：
本教程使用的是电影评论数据，只有两个类别是正的或负的，因此模型只使用一个激活设置为'sigmoid‘的输出层。
我有16个类别用一个热编码来表示。
教程示例：
vocab_size = 10000
model = keras.Sequential()
model.add(keras.layers.Embedding(vocab_size, 16))
model.add(keras.la
浏览 3提问于2019-08-29得票数 0
1回答
理解高维密度层的输出
、、、、
在理解密集层的输出形状和平坦层的输出形状方面，我没有问题。输出形状符合我的理解，即(批次大小，单位)。
nn= keras.Sequential()
nn.add(keras.layers.Conv2D(8,kernel_size=(2,2),input_shape=(4,5,1)))
nn.add(keras.layers.Conv2D(1,kernel_size=(2,2)))
nn.add(keras.layers.Flatten())
nn.add(keras.layers.Dense(5))
nn.add(keras.layers.Dense(1))
nn.summary()
产出
浏览 0提问于2019-08-28得票数 4
回答已采纳
1回答
我对Keras很陌生，我正试着测试一个我刚刚训练过的模型。
我正在使用Tensorflow后端和Python 3。
但是，输入的形状与Keras表示的错误形状完全不同。这是我的密码：
testnote = np.zeros((3,))
testnote[0] = 70
testnote[1] = 70
print(testnote.shape)
pred = model.predict(testnote)
print(pred)
我的一致输出是"(3，)“用于测试注释的形状，然后是对我的预测行的一个错误："ValueError:当检查输入时出错:预期的dense_1_input
浏览 0提问于2018-08-08得票数 3
回答已采纳
1回答
我用Keras (Tensorflow)实现了以下模型：
Layer (type) Output Shape Param #
=================================================================
conv2d_1 (Conv2D) (None, None, None, 32) 896
_________________________________________________________________
conv2d_2 (Conv2D)
浏览 2提问于2018-03-22得票数 1
1回答
具有k个预测因子X1、X2、.、Xk和响应Y的多元线性回归模型可以表示为y=β0 +β1X1 +β2X2 +··βkXk +“。
我按照这里的教程使用tf.keras进行基本回归。。是否可以输出β变量，以便检查它们如何对响应作出贡献？
顺便说一下，本教程构建的模型如下所示：
def build_model():
model = keras.Sequential([
layers.Dense(64, activation='relu', input_shape=[len(train_dataset.keys())]),
layers.Dense(64, act
浏览 3提问于2020-06-02得票数 0
回答已采纳
我正在努力理解为时间序列预测开发的模型。它使用一个Con1D层和两个LSTM层，然后是一个密集层。我的问题是，它是否应该在LSTM和更密集的层之间使用Flatten()？在我看来，输出应该只有一个值，它具有(None, 1)的形状，并且可以通过在Flatten()和密集层之间使用Flatten()来实现。如果没有Flatten()，输出形状将是(None, 30, 1)。或者，我可以从第二个LSTM层中删除return_sequences=True，我认为这与Flatten()具有相同的效果。哪一种方法更合适？它们会影响损失吗？这是模型。
model = tf.keras.models.Seq
浏览 2提问于2020-07-08得票数 1
回答已采纳
1回答
我使用Keras/TF的模型如下：
conv = Conv2D(4, 3, activation = None, use_bias=True)(inputs)
conv = Conv2D(2, 1, activation = None, use_bias=True)(conv)
model = Model(input = inputs, output = conv)
model.compile(optimizer=Adam(lr=1e-4), loss=keras.losses.mean_absolute_error)
在model.fit中，我收到一个错误：
ValueError:检
浏览 0提问于2019-01-02得票数 5
回答已采纳
1回答
我试图在Keras中构建一个顺序模型，该模型将使用shape(1, n, 5)的输入特性和shape(1, 1)的输入标签，并返回shape(1, 1)的输出以匹配输入标签。
我从一个教程中构建了一个模型，它与特性shape(n, 5)和标签shape(n, 1)很好地兼容，并返回一个与输入标签匹配的shape(n, 1)输出。
这是模型
class Model(keras.Model):
def __init__(self, units):
super().__init__()
self.dense1 = keras.layers.Dense(
浏览 1提问于2022-03-20得票数 1
我使用corelTools4.0将Keras模型转换为MLModel，但效果有限。
它的工作，但只有当我使用一个MLMultiArray输出和隐蔽到一个图像。转换成图像需要比推断时间更长；使其不可用。
如果我试图将MLModel规范更改为使用图像作为输出，则会得到运行预测的错误：
未能将输出标识转换为图像：
NSUnderlyingError=0x2809bad00 { Domain=com.apple.CoreML Code=0“转换为灰度图像的无效数组形状( 2048,2048，3)”
即使我为输出颜色指定了RGB：
输出{名称：“标识”类型{ imageType {宽度: 2048高度
浏览 2提问于2020-07-21得票数 1
回答已采纳
我正在尝试在“纯”TensorFlow中使用Keras的模型(我想在Android应用程序中使用它)。我已经成功地将Keras模型导出到protobuf，并将其导入到Tensorflow。但是，运行tensorflow模型需要提供输入和输出张量的名称，而我不知道如何找到它们。我的模型是这样的：
seq = Sequential()
seq.add(Convolution2D(32, 3, 3, input_shape=(3, 15, 15), name="Conv1"))
....
seq.add(Activation('softmax', name="
浏览 0提问于2016-10-05得票数 4
1回答
我第一次尝试实现Keras (很抱歉，这个愚蠢的问题)，这是一个更广泛的项目的一部分，这个项目是为了让AI学会玩connect 4。作为其中的一部分，我传递了一个NN，一个6*7的网格，它输出了一个由7个值组成的数组，给出了游戏中每列选择的概率。下面是Model.summary()方法的输出，以获得更多细节：
______________________________________________________________
Layer (type) Output Shape Param #
===============
浏览 2提问于2018-12-21得票数 0
回答已采纳
1回答
我有一个预先训练过的网络。我想要读那个模型并改变输入层的形状。我尝试使用以下代码：
import os
import tensorflow as tf
from tensorflow import keras
print(tf.version.VERSION)
2.4.1
from google.colab import drive
drive.mount("/content/drive", force_remount=True )
new_model = tf.keras.models.load_model("/content/drive/My Drive/NonQu
浏览 4提问于2021-05-14得票数 0
我在下面的Keras模型中发现了两个问题。
下面是完整的测试代码：
import tensorflow as tf
model=tf.keras.Sequential()
model.add(tf.keras.layers.Conv2D(15,(5,5), padding='same', input_shape=(28, 28, 1)))
model.add(tf.keras.layers.Conv2D(16,(5,5)))
model.add(tf.keras.layers.MaxPool2D(pool_size=(2,2)))
model.add(tf.keras.l
浏览 8提问于2022-08-08得票数 -1
回答已采纳
1回答
调用VGG16模型与不包含模型的顶层有什么区别？我想知道，当调用模型而不包括顶层时，为什么没有在模型摘要中显示对层的输入参数。我以以下两种方式使用了VGG16模型：
from keras.applications import vgg16
model = vgg16.VGG16(weights='imagenet', include_top=False)
print(model.summary)
模型中各层的形状不显示任何输入，即(无，64)，请见下文
Layer (type) Output Shape Param
=
浏览 0提问于2019-02-03得票数 2
2回答
我的模型包括以前加载的模型，并给出了“(无，)”的输出形状：
from tensorflow.keras.models import Sequential, Model
from tensorflow.keras.layers import Activation, Dense, Input, Subtract, Multiply, Lambda
x = Input((158,))
y = model(x)
c = Subtract()([x,y])
c = Multiply()([c,c])
d = Lambda(lambda arg: tf.keras.backend.mean(arg,a
浏览 2提问于2020-04-02得票数 1
回答已采纳
1回答
我对神经网络都很陌生。我有一个三维关节位置数据集(6400*23*3)和四元数方向数据集(6400*23*4)，我想预测所有22个关节和3个运动平面(6400* 22 *3)的关节角度。我试图建立一个模型，但是它不会运行，因为输入数据与输出形状不匹配，我也想不出如何更改它。
我的代码
import scipy
import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv1D, MaxPooling2D, Dense, Flatten
from
浏览 1提问于2019-11-01得票数 0
回答已采纳
我正在Keras中训练一个LSTM下一个字符/单词预测器，并希望将它包含在一个iOS项目中。当我将它转换为CoreML时，输出形状和值与我原来的Keras模型不匹配。
总结我的问题：
为什么转换后的模型与原始模型有不同的输出形状，如何确保它们匹配？
为什么我要从转换的模型中得到不同的预测值？
我培训的模型有以下布局：
model = Sequential()
model.add(LSTM(128, input_shape=(SEQUENCE_LENGTH, len(chars))))
model.add(Dense(len(chars), activation = 's
浏览 1提问于2019-04-09得票数 0
回答已采纳
1回答
角化vgg 16形状误差
、、、、
我试图用以下形状拟合数据，使其符合预先训练过的keras vgg19模型。
图像输入形状是(32383, 96, 96, 3)，标签形状是(32383, 17)，我得到了这个错误
expected block5_pool to have 4 dimensions, but got array with shape (32383, 17)
在这条线
model.fit(x = X_train, y= Y_train, validation_data=(X_valid, Y_valid),
batch_size=64,verbose=2, epochs=epochs,c
浏览 4提问于2017-07-01得票数 3
回答已采纳
我正在为一个多类任务开发一个基本的RNN模型，并且我面临着一些关于输出维度的问题。
这是我的输入/输出形状：
input.shape = (50000, 2, 5) # (samples, features, feature_len)
output.shape = (50000, 17, 185) # (samples, features, feature_len) <-- one hot encoded
input[0].shape = (2, 5)
output[0].shape = (17, 185)
这是我的模型，使用Keras functional API：
inp =
浏览 4提问于2021-02-25得票数 0
1回答
一个跨度=1和1的一维CNN滤波器不应该有等于输入长度的输出长度，而不需要填充吗？ 我认为是这样的，但创建了一个具有这些规范的Keras模型，当输入形状为(17910,1)时，该模型的输出形状为(17902,1)。我想知道为什么维数降低了，因为步长是1，它是一维卷积。 model = keras.Sequential([
layers.Conv1D(filters=1,kernel_size=9,strides=1,activation=tf.nn.relu,input_shape=X_train[0].shape)
]) 我期望这个模型的输出形状应该是(17910,1)，但
浏览 16提问于2019-04-16得票数 1
回答已采纳
1回答
我有一个简单的模型，它将序列嵌入简化，然后对它们进行求和。当我运行“预测”时，我没有得到预期的错误和输出形状，但是当我试图训练时，我得到了一个形状错配错误。
以下是模型：
import numpy as np
from keras import backend as K
from keras.models import Model
from keras.layers.embeddings import Embedding
from keras.layers import Reshape, Lambda
inputs = Input(shape=(20,), name="inputs&
浏览 1提问于2019-12-04得票数 1
回答已采纳
2回答
我正在尝试用Keras构建一个人工神经网络。模型的输入维度为(5，5，2)，而输出维度为(5,5)。在运行keras.fit()函数时，我遇到以下错误： ValueError: Error when checking target: expected dense_3 to have 4 dimensions, but got array with shape (5, 5) 下面是我正在执行的代码 from keras.models import Sequential
from keras.layers import Dense, Flatten
import matplotlib.pyplo
浏览 36提问于2019-10-04得票数 1
回答已采纳
1回答
我试图重写一个用来对卫星图像进行分类的keras模型，这个模型是一个NN模型，我想重写它给CNN，我从上找到了这个模型。
以前的NN模型是这样的：
model = keras.Sequential([
keras.layers.Flatten(input_shape=(1, nBands)),
keras.layers.Dense(14, activation='relu'),
keras.layers.Dense(2, activation='softmax')])
原来的图像形状是6, 2054, 2044，经过对二维阵列的整形后，它
浏览 3提问于2020-07-17得票数 0
回答已采纳
3回答
我正在制作一个MLP模型，它需要两个输入并产生一个输出。
我有两个输入数组(每个输入一个)和一个输出数组。该神经网络有1个隐层，2个神经元。每个数组有336个元素。
model0 = keras.Sequential([
keras.layers.Dense(2, input_dim=2, activation=keras.activations.sigmoid, use_bias=True),
keras.layers.Dense(1, activation=keras.activations.relu, use_bias=True),
])
# Compile the neural ne
浏览 0提问于2019-03-19得票数 27
回答已采纳
1回答
我在使用用函数API编写的keras RNN进行掩蔽时遇到了一些问题。其想法是用形状(batch_size，timesteps，100)掩盖张量，零填充，并将其输入到SimpleRNN中。现在我有以下几点：
input = keras.layers.Input(shape=(None, 100))
mask_layer = keras.layers.Masking(mask_value=0.)
mask = mask_layer(input)
rnn = keras.layers.SimpleRNN(20)
x = rnn(input, mask=mask)
但是，这不起作用，因为它引发了
浏览 1提问于2020-01-25得票数 1
回答已采纳
我在Keras工作(Tensorflow 2)。我想将张量的每个元素与其自身的可训练权重相乘。假设我的输入张量是1D，有10个元素；所以我尝试将输入定义为Keras输入张量，将权重定义为tf.Variable，并尝试使用Keras乘法层，如下所示： import tensorflow as tf
inputs = tf.keras.layers.Input(shape=(10), name='inputs')
weights = tf.Variable(tf.random.normal([10]), name='weights')
outputs = tf.k
浏览 30提问于2020-04-25得票数 0
回答已采纳
我使用自己的数据跟踪。经过特征工程后，我的df有117行×8列。我所做的数据分割和规范化与教程完全相同。所有用于数据窗口、其他函数和模型的代码都是完全相同的，只是我有一个不同的目标变量
我定义的wide_window与本教程中描述的完全相同：
wide_window = WindowGenerator(
input_width=24, label_width=24, shift=1,
label_columns=[target])
运行这些模型直到LSTM模型正常工作为止。
问题:但是，正在运行
lstm_model = tf.keras.models.Sequential([
浏览 7提问于2022-04-26得票数 0
1回答
最近我在为mnist玩自动编码器，这个问题出现了。“是否有可能建立一个输入形状不同但输出形状固定的模型？”
示例：
定期的解码器输入将是keras.layers.InputLayer(input_shape=(7, 7, 1))，您将在模型中有一些UpSampling层来将(7,7,1)的形状带到(28, 28, 1)。
但是，如果解码器输入具有未指定的形状怎么办？
想象使用输入层keras.layers.InputLayer(input_shape=(None, None, 1))的卷积解码器。译码器的输入形状可能是不同的，但是解码器的输出总是有固定形状的(28, 28, 1)。如何根据接收
浏览 9提问于2022-09-25得票数 0
回答已采纳
1回答
我编写了一个定制的TensorFlow模型。然而，当我将单个张量传递给它时，它会将该张量的每个元素视为单个输入，从而给出一个批处理输出。
就像。我的输入张量为3,1的形状，值为：
tf.Tensor(
[[0.7001484 ]
[0.2581525 ]
[0.04169908]], shape=(3, 1), dtype=float32)
对应于此，我应该得到一个形状向量(3，)。但我得到的是3x3张量：
tf.Tensor(
[[0.31234854 0.3224371 0.36521438]
[0.32561225 0.3294511 0.3449366 ]
[0.33208
浏览 2提问于2020-06-12得票数 0
回答已采纳
通过附加操作和未定义的形状将Keras Upsampling2d操作转换为此操作。
但是，Tensorflow在没有此操作的情况下以正确的形状进行转换。
这会导致未定义的整体模型输出形状，并导致设备上的错误。怎么解决这个问题呢？
浏览 2提问于2021-04-07得票数 0
回答已采纳
我正在使用TensorFlow2.3和tf.keras 我已经用输入的shape (None,120,120,12)对图像训练了一个网络。实际上，由于编码错误，我还可以在将输入声明为(None,128,128,12)的同时训练模型，同时提供(None,120,120,12)批处理。特遣部队只是打印了一个警告，并不关心。这不是以前版本中的行为。我的网络只有卷积层，如果考虑到深度，输入大小有足够的2的幂，它提供与输入形状相同的输出图像，它只有卷积层。 我最终完全训练了这个模型，我也想将它应用于不同形状的图像。有没有合适的方法来改变我训练过的模型的输入形状？或者我应该定义一个新模型，然后一层一层地
浏览 27提问于2020-09-25得票数 1
我观察到Keras到ONNX转换的维度不匹配。我将模型保存为.h5文件。它可以成功地保存并再次加载。但是，当将其转换为ONNX模型时，我得到了不同的输出维度。
我认为这是因为2D输出，因为我的输出维度之一已经消失了。
装载Keras模型..。
>>> keras_model = load_model('model_checkpoints/DGCNN_modelbest_with_noise.h5')
>>> keras_output = keras_model.output
>>> keras_output
<tf.T
浏览 30提问于2022-01-26得票数 0
我有一个具有形状的float32张量的Keras图(?，224,224，3)，我想导出到Tensorflow服务，以便用RESTful进行预测。问题是我不能输入张量，而是编码b64字符串，因为这是REST的一个限制。这意味着在导出图形时，输入必须是需要解码的字符串。
我如何“注入”新输入，将其转换为旧张量，而不重新训练图形本身？我已经尝试过几个例子，。
我目前有以下导出代码：
image = tf.placeholder(dtype=tf.string, shape=[None], name='source')
signature = predict_signature_d
浏览 0提问于2018-08-07得票数 3
回答已采纳
我正在尝试使用TensorFlow2.1中的tf.keras实现一个简单的递归神经网络架构，并关注序列到序列任务。在这个问题上，我主要遵循了Tensorflow tutorial，到目前为止，它是有效的。 但是，该指南使用了一个自己编写的训练函数，其中我希望使用fit等各种tf.keras.Model函数，因此我尝试调整代码以允许我使用这些函数。问题是:在解码器部分，由于注意力体系结构，人们必须手动迭代时间步长，进行注意力计算，并将结果提供给下一步。我的解码器模型如下所示： class MyDecoderModel(tf.keras.Model):
def __init__(self
浏览 18提问于2020-04-30得票数 0
1回答
我一直试图从两个数组生成一个自定义数据集。一种是形状(128,128,6) (6通道卫星数据)，另一种是形状(128,128,1) (二进制掩码)。我一直在使用函数tf.data.Dataset.from_tensor_slices
train_dataset = tf.data.Dataset.from_tensor_slices((train_raster, train_mask))
我得到的是：
<PrefetchDataset element_spec=(TensorSpec(shape=(128, 128, 6), dtype=tf.float32, name=None), T
浏览 9提问于2022-05-13得票数 1
回答已采纳
1回答
我正在使用Keras库来构建这个深度学习模型: INPUT(depth=1，height=15，width=27) -> CONV ->池(height=2，width=1) -> (回归)输出。
我期望convolution2d_1的输出形状(None，8，12，1)和pooling2d_1的输出形状(None，8，6，1)，而我分别得到(None，8，15，27)和(None，8，7，27)。
我在做什么或者解释错了什么？
P.S.：而且，这个设置给出了一个基线错误: 99.23%！
print "SHAPE OF INPUT IS:", num_trai
浏览 1提问于2017-01-26得票数 2
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
腾讯会议
实时音视频活动推荐
腾讯云开发者
