我在google cloud ml-engine上有一个模型，基本上由VGG19神经网络的keras实现组成(即使顶部没有完全连接的层)。更准确地说，图像首先使用tf.image.resize_images调整大小，然后通过在5个不同层中计算的平均特征激活通过VGG。
当从终端运行它时
gcloud ml-engine predict \
--model Features \
--version v1 \
--json-instances \
test_image.json
整个执行时间大约为17-18秒(不是在第一次运行时)。
这似乎比通过VGG的单次运行慢得
浏览 2提问于2018-11-05得票数 0
2回答
我把SSD和mobilenet搞混了。据我所知，它们都是神经网络。SSD提供本地化，而mobilenet提供分类。因此，SSD和移动网络的结合可以产生目标检测。这张图片来自。SSD的默认分类网络是VGG-16。因此，对于SSD Mobilenet，VGG-16将替换为移动网络。我的陈述正确吗？
我在哪里可以获得更多关于SSD Mobilenet的信息，特别是在Tensorflow模型动物园上提供的信息？
浏览 2提问于2018-05-29得票数 4
什么是神经网络中的VGG模型？
我认为VGG模型有特定的规范：-Convolutions层(仅使用3*3大小)、-Max池层(仅使用2*2大小)、-Total 16层的-Fully连接层。
CNN和VGG模型在神经网络中的区别是什么？
浏览 4提问于2018-06-28得票数 0
回答已采纳
1回答
什么是量子卷积神经网络？
、、、、
我刚通过TensorFlow量子库，他们介绍了量子卷积神经网络。
什么是量子卷积神经网络？
CNN和QCNN的区别是什么？
浏览 0提问于2020-03-11得票数 0
我最近读了一篇名为“使用深度神经网络进行政治图像分析”的论文，其中作者对图像进行了目标检测。在检测到对象之后，发现对象的字符串(如果它满足一定的概率阈值)被用作训练和测试图像类的随机森林分类器的特征。从论文中，他们试图根据在图像中发现的物体将图像分类为来自共和党或民主党参议院议员。
我正在尝试重新创建类似的东西，但我在寻找实现随机森林的第二个组件时遇到了麻烦。我能够成功地使用两个对象检测组件在图像上运行对象检测，但我在如何将这些组件提供给随机森林的计划中遇到了麻烦。
以下是我的数据框中的特征，为了简单起见，我只是将其分解为一些变量，其中-1,0,1的标签是我想要的标签。
labels_res
浏览 1提问于2019-04-08得票数 1
我在训练我的神经网络。它的目的是预测视频质量。我正在使用VGG16+LSTM网络，但是VGG16是不可训练的。可培训参数总数为70万。我有三个问题：
是否有足够的70万可训练参数来训练68000输入帧？
训练vgg16是必要的吗？
要获得最好的结果需要多少个时代？
浏览 4提问于2021-08-28得票数 0
我正在从Keras/TF框架迁移，我对PyTorch中的迁移学习过程了解得很少。
我想要使用火把-闪电框架，我想在一个脚本中在不同的神经网络之间切换。
根据这个，我们可以在不同的神经网络之间切换它们的实现：
class BERT(pl.LightningModule):
def __init__(self, model_name, task):
self.task = task
if model_name == 'transformer':
self.net = Transformer()
elif model_name == '
浏览 2提问于2020-01-22得票数 2
从体系结构中获取的VGG16示例
浏览 4提问于2021-10-18得票数 0
在阅读了一些理论之后，我对以下术语感到有点困惑：
深度学习
深层神经网络
人工神经网络
前馈神经网络
因此，在我看来，似乎很清楚的是，深层神经网络是具有多层(通常超过一个隐藏层)的人工神经网络。然而，我读过几次这样的话：
深层神经网络是一种具有多层结构的前馈神经网络。
我知道前馈神经网络是什么，但据我所知，深神经网络是指在输入和输出层之间有多个层次的所有人工神经网络？例如，难道不应该有深层递归神经网络吗？深层神经网络必须前馈神经网络是正确的吗？这将反过来意味着深递归神经网络不能被称为深神经网络。
此外，我看到有各种各样的深度学习架构，例如：
卷积神经网络
残差神经网络
深层信念网络
深玻耳兹曼
浏览 0提问于2019-07-15得票数 3
回答已采纳
在维基百科和deeplearning4j中都有这样的说法:深度学习神经网络是一种隐层大于1的神经网络.
对于我来说，这类NN在大学里是标准的，而DLNN现在非常夸张。去过那里，做过那件事-有什么大不了的？
我还听说堆叠的神经网络被认为是深度学习。深度学习是如何定义的？
我的神经网络的背景大多来自大学，而不是工作：
神经网络在工业中的应用研究
有5门关于artif的课程。情报。&马赫。学习。-也许其中有两个在NN上
用于小而简单的图像识别项目中使用的三层前馈神经网络。
没有对它们进行真正的研究(如博士论文)。
浏览 0提问于2016-10-04得票数 14
回答已采纳
2回答
我正在尝试构建一个复杂的神经网络。我导入了tensorflow和keras库，并加载了vgg16的卷积层权重，创建了一个适合于分类输入形状图像(128,128,3)的神经网络。以下是神经网络的总结：
Model: "sequential"
_________________________________________________________________
Layer (type) Output Shape Param #
========================================
浏览 5提问于2020-10-30得票数 0
回答已采纳
1回答
我想做以下的模特儿：
y(t)=F(x(t-1)，x(t-2)，...x(T))
或者，假设一个函数，它的当前输出依赖于最后的k输入。
1-我知道一种方法是为每个y(T)建立一个具有k个输入的经典神经网络，如...x{x(t-1)，x(t-2)，...x( to )}，并对其进行训练。那么使用RNN来解决这个问题有什么好处呢？
2-假设使用RNN，应该只使用x(t) (或x(t-1))，并假设隐藏层(S)可以通过在其内存(隐藏层)中找到y(t)与过去k输入的关系？
3-使用深度RNN或LSTM等深网对此类问题有任何优越的好处，考虑到我们想要根据最后k个输入来估计输出？
浏览 1提问于2016-05-04得票数 3
回答已采纳
2回答
我正在使用迁移学习(Vgg16)学习图像分类，并且我正在使用keras内置的时尚记忆数据集。 (x_train, y_train), (x_test, y_test) = fashion_mnist.load_data() 为了预处理vgg16的数据，我通过从keras.applications.vgg16导入preprocess_input，使用了以下命令 X_train = preprocess_input(x_train)
X_test = preprocess_input(x_test)
train_features = vgg16.predict(np.array(X_train
浏览 69提问于2019-04-23得票数 1
什么时候将神经网络定义为深度神经网络(DNN)而不是神经网络？
据我所知，DNN是具有多层的神经网络，简单的神经网络通常有较少的层数。但又有多少人呢？还是有其他的定义？
使用Tensorflow、Caffee这样的培训网络是什么？据我所知，我还没有看到任何人手动设计一个包含许多层的网络。他们似乎推广了创建DNN的工具，但是如果您只创建一个包含两个层的网络，那么DNN实际上是DNN吗？
浏览 0提问于2016-12-28得票数 8
回答已采纳
1回答
我想使用第三层的输出的VGG16网络。错误如下：
UserWarning: Model inputs must come from `keras.layers.Input` (thus holding past layer metadata), they cannot be the output of a previous non-Input layer. Here, a tensor specified as input to your model was not an Input tensor, it was generated by layer input_1.
Note that in
浏览 0提问于2019-04-02得票数 2
我目前使用的是由Lasagne库提供的VGG-S预训练卷积神经网络，来自以下。
我下载了ILSVRC2012的验证数据集，以便执行分类任务，但我发现在文件ILSVRC2012_devkit_t12_v2/data/ILSVRC2012_validation_ground_truth.txt中找到的基本真实值并不与VGG-S网络的所有输出值(softmax值)匹配。
例如:最后一个图像ILSVRC2012_val_00050000.JPEG，它显然是一只骆驼，vgg-s输出标签n°355 (骆驼)，而在文件中找到的地面真实标签是n°186 (诺里奇梗)。
索引到标签与此相同。
有人能告诉我我哪里
浏览 7提问于2017-03-02得票数 2
3回答
我正在运行一个使用keras的预训练模型的分类和预测神经网络算法。现在我知道keras的输入形状是(224,224,3)，但是我的输入具有这个形状(180, 200, 20)，并且我得到了以下错误：
ValueError: Dimension 0 in both shapes must be equal, but are 3 and 64. Shapes are [3,3,20,64] and [64,3,3,3]. for 'Assign_32' (op: 'Assign') with input shapes: [3,3,20,64], [64,3,3,3]
浏览 0提问于2019-08-20得票数 0
1回答
我是深度学习的新手(特别是deeplearning4j)，并且正在尝试这些示例。特别是，我想知道在下面的CSV示例中使用了哪种类型的神经网络。这是一个深度学习神经网络，还是仅仅是“常规神经网络”。我确实理解普通神经网络和深度学习神经网络的不同之处在于，DL算法处理“消失梯度”问题，而普通神经网络不能。我的感觉是以下是常规神经网络，但我想确认一下。
MultiLayerConfiguration conf = new NeuralNetConfiguration.Builder()
.seed(seed)
.iterations(iterations)
浏览 10提问于2017-01-27得票数 0
回答已采纳
我正在尝试用tensorflow中的keras软件包在CIFAR-10上训练一个神经网络。考虑的神经网络是VGG-16，我直接借用了官方的keras模型。定义是：
def cnn_model(nb_classes=10):
# VGG-16 official keras model
img_input= Input(shape=(32,32,3))
vgg_layer= Conv2D(64, (3, 3), activation='relu', padding='same', name='block1_conv1')(img_input)
vgg
浏览 0提问于2018-02-04得票数 1
2回答
如何在CNN中安排不同的层次
、、、、
我搜索了很多关于卷积神经网络的文章，发现有一些很好的结构可以参考。例如，AlexNet、VGG、GoogleNet。
但是，如果我想自己定制CNN架构，如何安排/订购不同的层？例如卷积层，辍学，最大池..。有什么标准吗？还是继续尝试不同的组合来产生好的效果？
浏览 3提问于2018-05-16得票数 2
回答已采纳
我实现了一个卷积神经网络，通过使用VGG19的转移学习来对5个不同的交通标志进行分类。它可以很好地处理新的测试图像，但当我将该模型应用于视频流时，它无法正确地对它们进行分类。
浏览 2提问于2019-06-06得票数 0
我得到了一个2D医学图像的数据集。我被要求从ImageNet数据集上预先训练的神经网络的隐藏层中提取图像描述符。
考虑使用两个网络: imageNet精度为X的ResNet-50网络和imageNet精度为Y (X < Y)的VGG-16网络。我想知道，对于任何图像，来自ResNet-50的最后一个隐藏层的描述符是否与VGG-16的最后一个隐藏层的描述符相同。
我来自NLP背景，不要犹豫地向我解释，就像我5岁时:p
浏览 0提问于2020-10-15得票数 -1
1回答
CT图像的SegNet预训练权重
、、、、
我正在尝试训练一个用于ct图像分割任务的SegNet (使用Keras TF)。我使用的是VGG16预训练权重，但第一个卷积层有问题，因为我使用的是灰度图像，但VGG是在rgb图像上训练的。我解决了使用this的第二种方法(不能使用第一种方法，因为需要太多内存)。然而，它对我没有帮助，价值观真的很糟糕(训练了100个时期)。 我应该从头开始训练第一个卷积层吗？
浏览 58提问于2020-11-26得票数 0
谢谢你的阅读，我在使用迁移学习模式时遇到了问题。但是，我认为这个问题是由于model.fit_generator()造成的，因为当我尝试运行自定义卷积神经网络时，同样的错误也会发生。
# transfer learning model, vgg16
vgg = VGG16(input_shape= IMAGE_SIZE + [3], weights = 'imagenet', include_top = False)
x = vgg.output
x = Flatten()(x)
x = Dropout(0.3)(x)
x = Dense(128, activation=
浏览 29提问于2022-03-27得票数 0
预先训练好的模型，如vgg16、inception v3、mobilenet、resnet152等。请提供一些关于这方面的知识。为什么这个输入大小在不同的模型中不同？
vgg16 299*299 resnet 224*224初始v3 299*299移动网224*224
浏览 112提问于2018-09-16得票数 -5
2回答
我在Keras训练了两个卷积神经网络。第一个是网络，如下所示
def VGG1(weights_path):
model = Sequential()
model.add(Convolution2D(nb_filters, nb_conv, nb_conv,
border_mode='valid',
input_shape=(1, img_rows, img_cols)))
model.add(Activation('relu'))
m
浏览 5提问于2016-01-07得票数 2
回答已采纳
很少有疑问与h2o.deeplearning有关：
它是深神经网络还是深信念神经网络(它使用受限的Boltzman机器- RBM)？
在H2o的文献中，discussed.They没有使用SGD随机下降(这是正常神经网络使用的)。
如果我们不使用自动编码器和RBM，那么我们是否可以称之为深度信念神经网络。
H2o确实非常有趣，但由于这些疑问，使用它将非常困难。
浏览 1提问于2015-11-14得票数 2
1回答
前馈神经网络是属于深神经网络还是人工神经网络？
我怀疑是把我的帧工作称为深神经网络还是人工神经网络。
浏览 5提问于2022-02-04得票数 -1
2回答
我正在学习如何使用神经网络和对象检测，使用Python和Keras。我的目标是在图像中检测出一些非常具体的东西，比如说一个非常特定的品牌/类型的汽车化油器(汽车发动机的一部分)。
到目前为止，我找到的教程使用了猫和狗的检测作为示例，其中许多使用预先训练的VGG16网络来提高性能。
如果我只想检测我的特定化油器，而不关心图像中的其他任何东西，那么使用VGG16有意义吗？只有当您想要检测许多通用项而不是一个特定项时，VGG16才有用吗？
编辑:我只想知道图像中是否有特定的对象(化油器)。不需要在它周围定位或放置一个盒子。我有大约1000张这个特定化油器的图像供网络训练。
浏览 2提问于2017-10-20得票数 3
在用于图像分类的卷积神经网络体系结构(例如，VGG或AlexNet)中，我想比较在测试时间内进行前向传递(最好使用Caffe)时，计算网络每一层的结果所需的时间。
特别是，我感兴趣的是在卷积层和完全连接层上花费了多少时间。
浏览 26提问于2016-08-18得票数 2
我正在使用VGG16训练神经网络来识别3个类别，但我没有任何固定的图像大小(对于m x n，m，n<300的图像，我所知道的就是这些)。所以我将输入层的input_shape设置为(None, None, 3)。问题是如何从3个维度(行、列、通道)下降到一个维度
浏览 5提问于2018-06-06得票数 0
2回答
PS: Keras为2.4.3
下面的函数构建了VGG16神经网络，没有完全连接的层，因为我只想得到特征映射。
from keras.models import Model
from keras.layers import Conv2D, MaxPooling2D, Input
import keras.backend as K
import tensorflow as tf
def VGG16(input_tensor=None):
input_shape = (None, None, 3)
if input_tensor == None:
input_tensor
浏览 1提问于2020-10-31得票数 1
我已经开始实现一个 (基于VGG16)。当我学习的时候，如果我试图向后传播到所有的层，我就会有内存问题。不过，测试效果很好。(我有一个Gforce GTX 1060和6G的拉姆)
我在想怎么回事？TF是否需要为训练两次保存参数？
浏览 2提问于2017-05-18得票数 0
回答已采纳
我刚开始机器学习，致力于目标检测，但对目标在图像中的位置不感兴趣，所以我只想知道是否有可能训练这样的神经网络，如果有，怎么做？(我只想要一个图像中存在的对象列表)。我不确定构建这样一个网络需要什么样的数据集。
编辑:我会更清楚地回答我的问题。首先，我了解CNN和VGG16、Inception、Resnet等模型，我怀疑这些网络是否能够被训练来识别一个对象，即它将预测图像中存在的对象并给出概率。如果我想训练一个网络来判断图像中是否存在特定的对象，那么输出应该是是的，如果有任何对象存在，如果没有，则为no。
浏览 0提问于2016-12-29得票数 6
回答已采纳
1回答
神经网络熵的计算
、、
我想要计算神经网络中包含的信息。我也希望计算出任何神经网络在一定数量的比特中包含的最大信息。这两种度量应该是可比较的(就像我可以比较我目前的神经网络是否达到了最大值，还是小于最大值，以及有多少)。
信息是相对的，所以我定义它相对于真实的，一种神经网络试图估计的数据的先验分布。
我遇到了Von熵，它可以应用于一个矩阵，但是由于它不是加性的，所以我不能将它应用于一系列权重矩阵(假设权重矩阵编码一个神经网络的所有信息)。
我发现了另外三篇论文深神经网络的熵约束降雨，深度神经网络模型中的熵与互信息和深度学习与信息瓶颈原则。第二种方法包含了一个指向这 github的链接，但是这种方法需要知道激活函数和权
浏览 0提问于2020-07-16得票数 5
我已经初始化了VGG16和InceptionV3，使用了ImageNet权重，并且使用了非常小的学习率，从胸部X射线数据集的第一层学习20K图像(因为医学图像不同于ImageNet类)。据报道，我发现VGG16没有显示过拟合，并且比InceptionV3更精确，并且给出了不太准确的结果。原因何在？
浏览 0提问于2018-06-19得票数 1
1回答
我试图在STL-10数据集上训练一个VGG-19神经网络，其中包含5000幅图像(每个类500幅)。输出类的数量是10。
我没有改变架构，只是将完全连接层的大小从4096减小到2048，保持辍学(0.5)不变。
这样做的原因是，由于训练图像的数量较少，所以为了避免过度拟合，我缩小了完全连接层的大小，但我不知道这样做是否正确。。
我还使用了(学习率= 0.001)代替了本文中提到的SGD。
我只运行了4个时期的代码。我观察到，虽然成本下降很小，但训练精度却在下降。
第一阶段后，成本: 2.304091，训练准确率: 11.99%
在第二个时代之后，成本: 2.303365，训练准确率：：11.2
浏览 0提问于2018-03-27得票数 0
1回答
我在修改的神经传输代码(Gatys算法)中使用了预训练的VGG19，但我的PC不允许我使用原始大小的输入图像(原始高度为2499像素，但使用20 it内存时，我最多只能使用1000像素)
正如我所读到的，我的解决方案是减少batch_size。因此，我的问题是-如何修改VGG19 .h5文件以更改其中的batch_size？或者我可以在我的代码中覆盖它的batch_size？
浏览 7提问于2020-09-15得票数 0
1回答
用神经网络估计静止图像或视频流中的距离可行吗？
我有一个激光测距仪，提供视频输出以及距离测量。然而，距离测量需要将激光照射到环境中，这并不总是理想的或允许的。我想有一个选择，把这个转变为“被动”模式，图像被输入到一个神经网络，然后提供一个距离估计，而不需要激活激光。网络最初将在主动模式下接受来自游侠查找器的image+distance对的训练。
我不是神经网络方面的专家，虽然Google发现神经网络在图像分类和姿态估计方面有很多用途，但我找不到任何现有的距离估计技术。这看起来可行吗，还是我在浪费时间？一个基本的前馈网络，每N像素一个输入就足够了，还是我需要一个不同的架构？
浏览 3提问于2016-04-03得票数 5
回答已采纳
我正试图理解Scikit MLPClassifier和Tensorflow DNNClassifier在分类任务上的区别，并希望一些专家能够分享一些信息。据我所知，它们都支持反向传播、激活函数(包括relu)、optmizer (sgd/adam)。MLPClassifier还可以通过指定隐藏层和节点的#来建立深度神经网络。我看到的两种不同之处是，DNNClassifier支持GPU培训，而MLPClassifer不支持。除了GPU支持之外，它们之间还有其他区别吗？为什么要使用Tensorflow的DNNClassifier进行基本的深层神经网络训练(我这里说的是基本的神经网络，而不是CNN、
浏览 0提问于2017-11-01得票数 2
1回答
为了开发一些转移学习算法，我使用了一些训练好的神经网络，并增加了层数。我用的是Tensorflow和python。
在Tensorflow中使用现有的图形似乎很常见:导入图形，例如使用metaGraphs，然后通过添加节点来设置新的高层。例如，我找到了这段代码：
vgg_saver = tf.train.import_meta_graph(dir + '/vgg/results/vgg-16.meta')
# Access the graph
vgg_graph = tf.get_default_graph()
# Retrieve VGG inputs
self.x_plh
浏览 3提问于2017-06-16得票数 4
回答已采纳
1回答
我正在尝试在PASCAL VOC 2012数据集上使用'ImageNet‘预训练权重为VGG16架构做迁移学习。PASCAL VOC是一个包含20个类别的多标签图像数据集，因此我修改了内置的VGG16模型，如下所示：
def VGG16_modified():
base_model = vgg16.VGG16(include_top=True,weights='imagenet',input_shape=(224,224,3))
print(base_model.summary())
x = base_model.get_layer('b
浏览 0提问于2019-10-04得票数 2
1回答
在自己的数据集上培训SSD的问题
、、、、
我对ML很陌生，我试图用我在github上找到的一些Keras代码github.com/pierluigiferrari/ssd_角化来训练一个C0。为了进行培训，我使用了自己的(非常小的)对象数据集，这些对象不在任何更大的已知数据集中。我的数据集具有以下特征：
对象在图像中有非常不同的大小(从20x40到250x200)
图像中只有一个类别的标签。
图像在RGB中
所有图像的大小都适合300x300。
dataset包含319幅用于培训和验证的图像。
现在我的问题是，验证的损失函数不是收敛的，但是训练损失是收敛的。请看这张图，它显示了历代的损失函数。我训练了120个时代，每一次都有1000步
浏览 0提问于2019-03-01得票数 1
回答已采纳
1回答
我有一个多输入卷积神经网络模型，它从两个数据集中输入2幅图像，给出一个输出，这是两个输入的类别。这两个数据集具有相同的类。我使用了两个vgg16模型并将它们连在一起来对这两个图像进行分类。
vgg16_model = keras.applications.vgg16.VGG16()
input_layer1= vgg16_model .input
last_layer1 = vgg16_model.get_layer('fc2').output
vgg16_model2 = keras.applications.vgg16.VGG16()
input_layer2= vgg
浏览 2提问于2018-11-10得票数 2
回答已采纳
1回答
我使用的是一种基于transfert style的深度学习方法，它使用VGG (神经网络)。后者适用于小尺寸(512x512像素)的图像，但当输入图像较大(尺寸> 1500px)时，它会提供失真的结果。该方法的作者建议将输入的大图像分成几个部分，然后将样式转换到portion1，然后再转换到portion2，最后将这两部分连接起来得到最终的大图像，因为VGG是为小图像制作的。这种方法的问题是，结果图像在部分“粘合”的区域级别上会有一些不一致的区域。我如何纠正这些区域？这是这种划分方法的替代方法吗？
浏览 29提问于2020-09-10得票数 5
我正在使用keras和tensorflow后端研究神经网络。通常它是用卷积层和最大池层构建的，比如在vgg16中就是这样。对于我的神经网络，我想将最大池化层更改为最小池化层，但在池化时，该层应该忽略零。 例如： [0，16，72，0] 2x2池层应该池化16，而不是72 (最大池化)。 在keras中有没有一种简单的方法来编写这个定制层？ 我猜min pooling是可以通过 min_x = -K.pool2d(-x, pool_size=(2, 2), strides=(2, 2)) 现在，它应该忽略零作为最小值。谢谢你的帮助！
浏览 26提问于2019-04-23得票数 2
回答已采纳
1回答
我正在尝试理解2D卷积神经网络和2D深度卷积神经网络在计算方面的异同。(我理解这些概念)。
例如，假设有一个3x3的输入图像，具有3个通道(RGB)，填充为1，步长为1。滤波器为2x2。
输出是什么？(可以忽略激活和偏差)
我知道普通的conv2D会有13x3的输出，而dw conv2D会有3。除此之外，我有点困惑。谢谢
浏览 0提问于2019-06-10得票数 4
假设我在完全相同的数据集上训练两个神经网络。
第一个网络是一个具有冻结卷积层的VGG19模型，因此只有顶层稠密层才能得到优化。
第二个网络仅由密集层组成，其结构和超参数与第一网络完全连接的层完全相同。
基本上，我通过VGG19的卷积层传递所有数据，将最后一个卷积层的输出保存到磁盘。然后，将数据加载到只由FC块组成的第二个模型中，并将其训练为一个分类器。
会在训练后将这两个模型合并成一个完整的VGG19模型(带有冻结的conv层)和我自己的FC层？
。
如果我正确理解，一个经过训练的网络的输出是完全确定性的，所以理论上它应该能工作。实际上，当只训练最后一个FC层时，我不知道优化算法是否考虑到冻结
浏览 0提问于2021-03-26得票数 0
回答已采纳
2回答
我是一个新的程序员，这是我在现实世界中应用的第一个神经网络。
这是一个交易，我使用的是一个没有经过训练的VGG-16，上面有一些密集的层。(用于图像分类问题)
但是，不管我改变了什么超参数，我总是得到类似于这些参数的图。
📷
📷
因此，我的问题是，在什么样的损失(val_loss)，我们可以考虑模型培训？
如果我给VGG-16提供的图像是RGB/255，有问题吗？
如果有人能解释高的验证损失(即使验证的准确性很高)会对模型产生多大的影响？
谢谢你花时间回答我，如果这些问题看起来很愚蠢，我很抱歉，但我在其他地方找不到答案。
浏览 0提问于2018-05-24得票数 3
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
