我认为我的Keras多输出编码有问题，这导致了与Sequential模型相比的高损失。请帮我找出哪里出了问题。[c, d] label_data.append(label)single.fit(x=feature_data, y=single_data
浏览 55提问于2021-01-27得票数 0
回答已采纳
我的模型看起来像model = Model(inputs=[sketch_inp, color_inp], outputs=disc_outputs)
model.compile(loss=lambda y_true, y_pred : tf.keras.losses.binary_crossentropyfeatureLevelLoss(y_true, y_pred
浏览 1提问于2020-04-19得票数 0
1回答
如何训练这个多类RNN？
、、、、
它接受一个11维的数字向量作为输入，并输出一个包含10个多类概率向量的序列，其中有14个互斥类。正如你在图中看到的，损失几乎不会随着训练周期的增加而下降：当我尝试训练真实的训练集时，损失根本不会移动。你知道如何成功地训练这个模型吗？, 'rb') as f:非常感谢您的帮助
为了提供更多的背景，我在这个问题中有一个连续的数字嵌入11-D开始，输出是一个单</em
浏览 1提问于2021-04-08得票数 0
在根据的多输入或多输出模型的情况下，可以使用如果b1和b2实际上是相同的目标值呢？
浏览 12提问于2018-08-19得票数 3
回答已采纳
每个输出必须作为单独的数组传递给模型。
目标#1为0-无穷大，最终单节点密集层采用“线性”激活函数.目标2是0-1比例的，最终的单节点密集层使用的是“sigmoid”激活函数.实际上，当我只在一个输出模型中估计目标2时，我总是会损失<
浏览 13提问于2022-04-27得票数 1
回答已采纳
1回答
我运行算法对我的数据(只有一个通道的灰度图像)进行微调，直到80,000次迭代；然而，损失和精度是波动的，输出图像完全是黑色的。即使经过80,000次迭代，损失也是如此之高。背景像素比其他四个类要多。一些研究人员建议使用加权损失。有人知道吗？我做得对吗？我如何将这个加权损失加到train_val.prototxt中？如果你知道任何与加权亏损培训相关的资源/例子，我将不胜感激，请在此与我分享。
再次感谢
浏览 4提问于2017-01-16得票数 5
回答已采纳
3回答
二元分类与数字标号
、、、
由于中性tweet的数量较少，我的思路是将中性标记为0.5，并使用二进制交叉熵作为损失函数对模型进行训练。我的输出层是一个带有乙状结肠激活函数的神经元，所以预测值在(0,1)之间。
浏览 0提问于2021-02-14得票数 4
我正在尝试在keras中构建一个简单的单输出回归模型，在这个模型中，我可以对我的预测值有一定的置信度。为了做到这一点，我希望有一个自定义的损失函数在两个输出上运行，如下所示： return T.abs_(y_true-y_pred)*y_pred/y_error + T.exp(y_error)
然而，我只能有两个输入y_true和y_pred，那么有没有办法拥有这个形式的自定义损失
浏览 2提问于2016-11-20得票数 1
2回答
我熟悉Keras，在Keras中，我们需要根据需要在输出层中添加激活函数，但是在学习Tensorflow时，我发现输出层没有添加激活函数。
有人能解释一下这背后的原因吗。
浏览 4提问于2019-03-11得票数 0
回答已采纳
方法一: Unet输出一个带有乙状结肠激活的类，然后使用骰子损失来计算损失 方法2:将基本事实连接到它是相反的，因此有两个类。Unet的输出是2个类，并对它们应用softmax激活。然后使用骰子损失来计算损失。 哪一个是正确的？
浏览 33提问于2020-01-18得票数 0
1回答
我想把欧氏距离设为LSTM或RNN的损失函数。def euc_dist_keras(x, y):
modelreturn_sequences=True
浏览 1提问于2017-10-05得票数 3
1回答
我很难理解为什么在我的训练中我的损失率如此之高。我正在训练一个回归网络。我已经将输入数据规范化为-1到1之间，并且没有改变输出数据，其范围大约在-100到100之间。我选择将输入规范化，以便可以使用tanh作为激活函数，因为它在此范围内输出。📷 print "Model definition!"act4=ELU(100)
model.add(Dense(output_dim=13, input
浏览 0提问于2016-11-27得票数 1
我的模型有两个输入分支，input1 2D灰度图像和input2彩色图像。使用连接方法合并两个输入分支，并使用softmax函数对其进行分类。模型运行良好，但问题在于理解softmax在多输入模型中的操作，以及如何在两个分支中更新权重。
浏览 1提问于2020-02-16得票数 1
我试着理解在输出层中使用只有一个输出神经元和多个神经元的神经网络之间的区别。有谁知道区别吗？
浏览 2提问于2021-01-06得票数 0
回答已采纳
2回答
当我从Keras加载mnist数据集时，我得到4个变量- model.add(Dense(10, activation="softmax
浏览 8提问于2020-06-20得票数 5
回答已采纳
backend.tanh(x) + 1 # x in range(0,2) return x02 * scale + lowermodel.add(keras.layers.Dense(1, activation=lambda x: activation_range(x, lower=lower, upper但是，是否有一种方法可以在模型初始化后根据y (例如lower = y.min()和upper = y.max() )的值设置上
浏览 4提问于2022-11-16得票数 0
2回答
我有一个1x2048像素的1D图像作为输入，32个类，我已经定义了一个32个滤镜的层，具有与图像相同的大小(1x2048)，它们是L1正则化的。
我的图像示例是一个热编码的。但是，我的目标是在将这些图像中的一些图像相加并将其提供给训练好的模型时，获得多热点编码输出。训练进行得很好，它可以单独对每个类别进行分类，但如果我将两个图像相加并将其提供给模型，它只输出一个热编码向量(尽管我希望输出一个热编码向量)。我不明白为什么我得到的是单热矢量输出而不是<em
浏览 0提问于2018-09-26得票数 0
1回答
我正在尝试使用一个用Keras实现的U-Net版本来分割医学图像。我的网络的输入是3D图像，输出是两个单热编码的3D分割图。我知道我的数据集非常不平衡(没有太多需要分割的东西)，因此我想对我的损失函数(目前是binary_crossentropy)使用类权重。有了类权重，我希望模型能更多地关注它必须分割的小东西。
浏览 23提问于2021-01-25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
云直播活动推荐
腾讯云开发者
