我通过子类tf.keras.Model类创建了一个自定义模型。当我在自定义模型的调用方法中初始化(tf.keras.layers.Dense(20,activation='relu'))并调用Dense层时，模型根本没有训练。但是，当我在自定义模型类的构造函数中初始化Dense层，然后在我的自定义模型
浏览 2提问于2022-06-14得票数 0
我正在尝试在TensorFlow中实现两个张量之间的加权平均，其中权重可以自动学习。按照关于如何为keras模型here设计自定义层的建议，我的尝试如下： class WeightedAverage(tf.keras.layers.Layer): inputs[1] * (1 - self.w)]) 现在<
浏览 16提问于2020-06-26得票数 2
回答已采纳
我想训练一个具有自定义激活层的keras模型。自定义激活层具有一个固定的不可压缩参数。
我想改变/设置这个不可训练的参数在模型中的所有自定义激活层在训练后的几个时期。如何使用keras回调来实现这一点？
浏览 0提问于2020-12-02得票数 3
回答已采纳
4回答
不可训练参数的定义是什么？
、、、、
模型中不可训练参数的定义是什么？
例如，当您构建自己的模型时，它的值是0作为默认值，但是当您想要使用初始模型时，它变成了其他的东西，而不是0。这背后的原因是什么？
浏览 1提问于2017-11-15得票数 40
回答已采纳
1回答
如何提高神经网络的验证精度？
、、、、
验证精度在0.4 ~ 0.5之间，但训练精度较高，且沿历次递增。0 1 0这是我的模型： keras.layers.Dense(37,input_dim=37,activation='relu'),
keras.laye
浏览 6提问于2022-10-24得票数 -1
2回答
我正在努力理解keras模型是如何工作的。 当我们训练模型时，我们给出指标(如“准确性”)和损失函数(如交叉熵)作为参数。我想知道的是模型优化的目标是什么。拟合后，leant模型最大限度地提高了准确性？或者最大限度地减少损失？
浏览 30提问于2020-10-27得票数 0
Keras有一个count_param() Python函数来计算人工神经网络(ANN)模型的可训练参数的总数。model.count_params()
同样，是否有一个Keras函数来计算ANN模型的单位的总数？
浏览 1提问于2019-11-19得票数 1
1回答
我已经用tf2创建了一个简单的模型，它将输入'a‘乘以变量'b’(初始化为1)，然后返回输出'c‘。然后我试着在简单的数据集a=1，c=5上训练它，我希望它学习b=5。import tensorflow as tfb = tf.Variable(1., trainable=True)model = Model(a,c)
los
浏览 19提问于2020-02-04得票数 1
4回答
我对Keras很陌生，我正在建立一个模型。我想冻结模型最后几层的权重，同时训练前几层。我试图将横向模型的可训练属性设置为假的，但它似乎不起作用。下面是代码和模型摘要：domain_layers = self.(optimizer = opt, loss='binary_crossentropy', metrics=[&#x
浏览 0提问于2018-11-27得票数 19
回答已采纳
1回答
我在训练像甘人一样的模特，但不是完全一样。我将Keras与TensorFlow后端结合使用。
我有两个Keras模型G和D。我希望在中输出G中目标层的G权值参数，作为D模型的输入，并将D.predict(G.weights)的结果作为G损失函数的一部分，即D不可训练，但参数G.weights是可训练的。以这种方
浏览 0提问于2019-07-12得票数 2
回答已采纳
1回答
自定义KERAS模型的可训练参数
、、、、
我只想把所有的参数都设置成不可训练的，除了连接到dense_5层的参数，就是它自己的参数和连接到dense_5的dense_6层的参数，我怎么才能把最后这些参数设置成可训练的？通过将dense_6层的assigning指定为true，即使所有参数未连接到dense_5，也可以成为可训练
浏览 19提问于2021-02-05得票数 0
回答已采纳
1回答
我想在Keras的深度学习中添加特征选择层。我写了以下代码。model = Model(inputs=input_layer, outputs=output_layer)
这是我的目标深度学习架构
浏览 2提问于2021-05-19得票数 2
回答已采纳
我刚读了一篇有趣的论文：。def sin(x):get_custom_objects().update({'sin': Activation(sin)})
它的参数</
浏览 6提问于2017-10-30得票数 6
回答已采纳
2回答
我目前正在开发一个使用Keras + Tensorflow的模型，以便确定一组蛋白质的温度范围。我首先做的是创建一个预先训练的模型，将蛋白质转化为嵌入物，然后预测其各自的温度。我现在要做的是将这个pre=trained模型合并到一个新模型中，该模型可以使用这个给定的模型和相应的权重作为输入。然后拟合一个新<em
浏览 30提问于2020-11-11得票数 1
回答已采纳
我使用的是来自TensorFlow的预先训练的Xception模型。base_model = keras.applications.Xception( input_shape=(150,150,3),)len(base_model.layers)
但是它们中只有一部分具有可训练的参数<
浏览 4提问于2021-05-26得票数 0
1回答
考虑一个简单的模型如下：l1 = tf.keras.layers.Dense(units=4,activation='relu',use_bias=False)(input)model= tf.keras.Model(inputs=input,
浏览 3提问于2022-02-11得票数 2
3回答
我为某一层定义了一个自定义变量。我希望这个变量只接受正值。Keras提供了约束，但在我看来，它们只适用于Keras层的kernel_constraint和bias_constraint参数。在Keras (和TensorFlow)中，有没有一种(简单的)方法来约束自定义可训练变量(即用add_weight方法创建的变量)的值？
浏览 0提问于2020-04-21得票数 1
1回答
如何计算不可训练重量的数目？
、、、、
在keras中可以计算不可训练的重量数，如byfrom tensorflow.keras.models importtesorflow 1.15模型，所以我无法利用Keras。我知道我可以通过以下方法来计算自定义模型中的可训练参数：x = np.zer
浏览 1提问于2021-09-23得票数 0
回答已采纳
1回答
由于在TensorFlow 2.0中，他们计划将所有高级API统一到keras (我不太熟悉)下，并完全删除会话，我想知道：
如何创建具有自定义梯度的自定义角化层？我已经看到了(非常有限的) 在keras中创建自定义层，但是它没有描述如果我们希望操作具有自定义梯度，我们应该做什么。
浏览 0提问于2019-06-18得票数 15
回答已采纳
我正在使用tensorflow 2.1.0和Keras。利用随机梯度下降(SGD)训练神经网络模型。我想得到雅可比矩阵的输出与可训练参数的NN，(权值和偏差)，在训练过程中的每一个样本。雅可比矩阵是一个2乘- 35矩阵(2个输出和35个可训练参数).
谢谢。
浏览 3提问于2021-07-21得票数 1
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
云直播
对象存储
腾讯会议活动推荐
腾讯云开发者
