Keras批处理大小较小，内存不足
Keras是一个开源的深度学习框架，它提供了简单易用的API，可以方便地构建和训练神经网络模型。在使用Keras进行模型训练时，批处理大小（batch size）是一个重要的参数。
批处理大小指的是每次模型训练时一次性输入到模型中的样本数量。较小的批处理大小意味着每次训练时使用的样本数量较少，而较大的批处理大小则意味着每次训练时使用的样本数量较多。
当使用较小的批处理大小时，可能会遇到内存不足的问题。这是因为在每次训练时，需要将整个批次的样本数据加载到内存中进行计算，如果批处理大小过大，会占用较多的内存空间。当内存不足时，可能会导致程序崩溃或者训练速度变慢。
为了解决内存不足的问题，可以采取以下几种方法：
- 减小批处理大小：通过减小批处理大小，可以降低每次训练时所需的内存空间。但是需要注意的是，较小的批处理大小可能会导致训练过程变慢，因为每次训练时使用的样本数量减少了。
- 使用数据生成器：Keras提供了数据生成器（Data Generator）的功能，可以在训练过程中动态地生成样本数据，而不是一次性将所有数据加载到内存中。这样可以有效地减少内存的占用。
- 使用分布式训练：如果单台机器的内存无法满足需求，可以考虑使用分布式训练的方式。将训练任务分发到多台机器上进行并行计算，可以充分利用多台机器的内存资源。
- 优化模型结构：有时候内存不足的问题可能是由于模型结构过于复杂导致的。可以尝试优化模型结构，减少参数数量，从而降低内存的占用。
总结起来，当Keras批处理大小较小且内存不足时，可以考虑减小批处理大小、使用数据生成器、使用分布式训练或优化模型结构等方法来解决内存不足的问题。
腾讯云提供了丰富的云计算产品和服务，其中与深度学习相关的产品包括腾讯云AI Lab、腾讯云AI 机器学习平台等。您可以通过访问腾讯云官方网站（https://cloud.tencent.com/）了解更多相关产品和服务的详细信息。
相关·内容
我有2个GPU GTX1080和Keras v2安装。我在gpu0和gpu1上同时运行两个训练过程。但是，我有ResourceExhaustedError。
少了什么？
python多gpu-process.py --gpu_id=1 (ok)
python process.py --gpu_id=0 (ResourceExhaustedError )。(请帮忙)
# file: multi-gpu-process.py (2 training processes work on different GPUs)
import numpy as np
import os
浏览 2提问于2017-08-29得票数 1
1回答
我想将深度学习应用于我的分类问题，其中我的数据集中的灰度图像的大小是200x200。目前，我正在我的大型数据集(超过15,000张图像)的一个非常小的子集(152张图像)上测试DL；我正在Python (Python 2.7.12 :：Anaconda 4.2.0 (64位))中使用Keras (版本'1.1.2')库和Theano (版本'0.9.0.dev4')后端。我的代码在CPU中运行，但它非常慢。因此，我转而使用GPU。然而，我得到了下面的错误：
Using Theano backend.
Using gpu device 0: GeForce GTS
浏览 0提问于2016-12-10得票数 6
2回答
准确率保持在50%的Keras
、、、、
代码
import numpy as np
from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential,Model
from keras.layers import Dropout, Flatten, Dense,Input
from keras import applications
from keras.preprocessing import image
from keras import backend as K
K.set_image_dim_ordering
浏览 0提问于2018-07-29得票数 5
回答已采纳
我正在训练CNN，每个图像有2403张1280x720px。这是我正在运行的代码： from tensorflow.keras.preprocessing.image import ImageDataGenerator
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras.layers import Conv2D,MaxPooling2D,Activation,Dense,Flatten,Dropout
model = keras.Sequential()
model.add(Conv2D(32
浏览 247提问于2021-04-23得票数 0
回答已采纳
2回答
我最近完成了图像超级分辨率的自动编码器在Coursera，当我试图运行相同的代码在我的笔记本电脑使用Spyder和木星笔记本，我不断得到这个错误。我使用的是Nvidia GeForce 1650 am 和Tensorflow-gpu=2.3.0，CUDA=10.1，cuDNN=7.6.5和python=3.8.5。我使用了相同的配置来运行许多深层次的神经网络问题，但是没有一个给出了这个错误。
代码：
# Image Super Resolution using Autoencoder
# Loading the Images
x_train_n = []
x_train_down = []
浏览 1提问于2020-09-18得票数 1
回答已采纳
我有一个具有通道最后配置的(300,226,226,3)形状的视频数据输入&我的输出是(300,1)存储为numpy数组格式。因为我不想一次加载所有的数据，因为它大约是120 it。我的代码非常简单：
import os
import sys
from random import shuffle
import numpy as np
import tensorflow as tf
from keras.layers import (BatchNormalization, Dense, Flatten, Input,
MaxPooli
浏览 0提问于2019-12-02得票数 0
我正在处理一个5类的视频分类，并使用TimeDistributed的CNN模型。列车数据集包含8个视频，每帧包含75帧，我使用了TimeSeriesGenerator of Keras，其中长度等于75，因为每个视频包含75 sequences.But，在我看来，在这个例子中batch_size应该是什么？
from keras.preprocessing.sequence import TimeseriesGenerator
train_sequences = TimeseriesGenerator(train_data, train_labels, length=75, batch_siz
浏览 3提问于2020-05-15得票数 1
回答已采纳
我有一个作业，我必须在虹膜图像上使用迁移学习(数据集非常小。这是一个简单的赋值)。任务是建立一个正则化的NN来将图像分类到它们各自的类中。
我的完整代码如下：
import keras
from keras.preprocessing.image import ImageDataGenerator
#importing images trhrough ImageDataGenerator
train_gen = ImageDataGenerator(rescale = 1./255,
shear_range = 0.2, zoom_range = 0.2, horizontal_flip
浏览 0提问于2020-06-25得票数 0
1回答
我必须为我的脸验证项目在谷歌colab免费训练7万张图片。首先，它被困在第一个时代，然后，即使它开始训练，有时它抛出内存错误。我使用的代码是：
<https://nbviewer.org/github/nicknochnack/FaceRecognition/blob/main/Facial%20Verification%20with%20a%20Siamese%20Network%20-%20Final.ipynb>
如果我必须对我的数据集进行小批量处理，以便将其放入colab的GPU内存中，那么我如何才能做到呢？此外，我想训练整个数据集，因为它包含了5个不同的人作为锚和积极的图
浏览 15提问于2022-01-27得票数 0
1回答
用大数据集训练RAM引起的CNN
、、、、
我有一个关于30000+图像的大型图像数据集。当我训练模型时，我的系统内存不足，我不想降低数据集的样本。有什么办法可以解决这个问题吗？
#set up the inizilize integer
batch_size = 16
img_height = 512
img_width = 512
color_mode = 'rgba'
#split the dataset into training testing and validation
#load the dataset as categorical label type
train_ds = tf.keras.prep
浏览 8提问于2021-12-16得票数 0
我目前正在做语义分割，但是我有非常小的数据集， 我只有大约700张带有数据增强的图像，例如，翻转可以 设置为2100张图像。 不确定是否足够完成我的任务(语义分割有四个 类)。 我想使用批量归一化，和小批量梯度下降 真正让我挠头的是，如果批量太小， 批次归一化效果不佳，但如果批次较大， 这似乎等同于全批次梯度下降。 我想知道样本数量和批量大小之间是否有类似于标准比例的东西？
浏览 45提问于2019-03-21得票数 0
回答已采纳
1回答
你好，我是从神经网络的世界开始的，我以出版商Marcombo的"Python深度学习“一书的例子为基础，在这本书的一个例子的基础上生成了一个生成的对抗性网络，下面是开发代码
# Esta es la linea original
train_images = train_images.reshape(train_images.shape[0], 28, 28, 1).astype('float32')
# se reemplazo por la siguiente linea
train_images = train_images.reshape(train_imag
浏览 2提问于2022-01-06得票数 1
回答已采纳
对于训练模型，如果我使用5个批次与batch_size=10，我想问的是，对于进入keras.fit的单个批次，模型实际上是如何处理这10个样本的，是顺序还是并行的？
如果模型按顺序处理样本，那么为什么在增加批处理大小(图像集)时会出现内存耗尽错误？
我使用预先训练好的模型来解决street2shop问题。任何答案或参考都是可以理解的。
浏览 0提问于2019-08-13得票数 1
我正在处理一个序列序列语言模型，在更改代码以将自定义的字嵌入权传递给嵌入层之后，当我试图在gpu上进行训练时，我收到了一个OOM错误。
以下是相关代码：
def create_model(word_map, X_train, Y_train, vocab_size, max_length):
# define model
model = Sequential()
# get custom embedding weights as matrix
embedding_matrix = get_weights_matrix_from_word_map(word_map
浏览 0提问于2018-08-01得票数 0
我正在尝试将迁移学习应用于我自己的数据集，它存在于33.000个训练图像中(总共1，4 of )。在使用Keras (2.2.0)中的predict_generator进行预测时，我遇到了内存错误。当查看我的任务管理器时，我可以看到内存慢慢地工作到我的特斯拉K80 (1GPU)的最大VRAM为5 5GB。我使用了以下代码：
#Train
print('train dataset:')
datagen = ImageDataGenerator(preprocessing_function=preprocess_input)
train_generator = datagen.fl
浏览 13提问于2018-07-23得票数 5
大家好，我是DL和tensorflow的初学者。
我创建了一个CNN (你可以看到下面的模型)
model = tf.keras.Sequential()
model.add(tf.keras.layers.Conv2D(filters=64, kernel_size=7, activation="relu", input_shape=[512, 640, 3]))
model.add(tf.keras.layers.MaxPooling2D(2))
model.add(tf.keras.layers.Conv2D(filters=128, kernel_size=3, ac
浏览 41提问于2021-10-20得票数 5
这是我的代码片段：
model=keras.Sequential()
model.add(keras.layers.LSTM(28,input_shape=(300,1),return_sequences=True))
model.add(keras.layers.Dropout(0.4))
model.add(keras.layers.LSTM(14))
model.add(keras.layers.Dropout(0.5))
model.add(keras.layers.Dense(2,activation="softmax"))
sgd=keras.optimizers.
浏览 0提问于2018-09-24得票数 3
回答已采纳
1回答
以下内容来自Keras教程
这种行为是在TensorFlow 2.0中引入的，目的是使layer.trainable = False能够在convnet微调用例中产生最常见的行为。
为什么我们要在微调卷积神经网络时冻结这一层？是因为tensorflow角的某些机制，还是由于批处理的规范化算法？我自己做了一个实验，我发现如果可训练不被设置为错误，这个模型往往会导致灾难性的忘记以前学过的东西，并且在最初的几个时代还会有很大的损失。原因是什么？
浏览 2提问于2020-07-21得票数 4
回答已采纳
我一直试图在亚马逊400000条评论的keras数据集上运行一个解码器编码器模型来进行文本摘要
encoder_inputs = Input(shape=(summaries.shape[1], ), name='Encoder-Input')
inc_emb = Embedding(nb_words, embedding_dim, weights=[word_embedding_matrix],
mask_zero=False, name='Body-Word-Embedding')(encoder_inputs)
浏览 0提问于2018-06-22得票数 1
我有一台新的电脑(在Ubuntu 18.04上)，它有一个2080Ti的GPU。我正在尝试使用Keras (在Anaconda环境中)在Python中训练神经网络，但在尝试拟合模型时遇到了“分段故障(核心转储)”错误。
我使用的代码在我的Windows PC (有一个1080Ti的GPU)上工作得很好。这个错误似乎与GPU内存有关，当我在拟合模型之前运行'nvidia-smi‘时，我可以看到一些奇怪的事情发生，我看到大约800mb的可用11 up内存被用完了，但一旦我编译了模型，这些可用内存就都被占用了。在进程部分，我可以看到这与anaconda环境有关(即...ics-link/an
浏览 2提问于2019-01-24得票数 3
我有一个模型： model = tf.keras.models.Sequential([
tf.keras.layers.Conv2D(64, (3, 3), padding='same',
input_shape=(96, 96, 1),
kernel_regularizer = tf.keras.regularizers.l2(0.01)),
tf.keras.layers.BatchNormalization(),
浏览 7提问于2020-10-05得票数 0
回答已采纳
2回答
我正在MNIST上训练自动编码器，并注意到在128之后增加批处理大小，在固定的数据集大小上开始花费更多的计算时间。
我使用的是tensorflow-gpu和GeForce gtx1070。
我尝试在5000个样本(784个dim)的固定训练集上运行几个测试，并运行了10个时期。批次是5000个训练样本中的连续batch-size块，因此迭代次数实际上取决于批次大小。
我跟踪了该数据的性能(丢失)、执行时间和python进程的GPU内存使用情况(来自nvidia-smi输出)：
5000 datapoints 10 epochs
batch size
512: loss: 53.7
浏览 1提问于2019-04-30得票数 3
规范
Docker容器运行在具有16 GB Ram、1x GTX1070和8GB、Ubuntu16.04.3LTS的机器上。Keras被设置为使用GPU。
我想做什么
我想要计算一组79726张图像245x245 (RGB)的卷积输出，这样我就可以通过一个已经训练过的二级模型得到预测。我使用的是VGG16模型，它是Keras.applications附带的。
码
model = VGG16(include_top=False)
tst_b_s = 200
test_batches = ImageDataGenerator().flow_from_directory(
directory
浏览 0提问于2018-01-28得票数 1
1回答
我想了解如何用卷积神经网络生成高分辨率的低分辨率图像。
是否有必要在网络上有一个较小的输入映像，并且输出是图像的两倍大？
我做了以下模型：
w,h,c=x_train[0].shape
input = Input(shape=(w,h,c),name='LR')
x = UpSampling2D(size=(2,2), name='UP')(input)
h = Dense(720, activation='relu', name ='hide')(x)
h2= Dense(1280, activation='relu
浏览 1提问于2019-03-05得票数 1
回答已采纳
我想做一个有多个输入的模型。所以，我试着建立一个这样的模型。
# define two sets of inputs
inputA = Input(shape=(32,64,1))
inputB = Input(shape=(32,1024))
# CNN
x = layers.Conv2D(32, kernel_size = (3, 3), activation = 'relu')(inputA)
x = layers.Conv2D(32, (3,3), activation='relu')(x)
x = layers.MaxPooling2D(pool_
浏览 0提问于2019-12-18得票数 16
回答已采纳
2回答
我在学TF。从mnist数据集开始。我有10.000张28*28像素的图像。如果我把它作为形状输入
from tensorflow import keras
from tensorflow.keras.datasets import mnist
from matplotlib import pyplot
from tensorflow.keras import layers
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
inputs = keras.Input(shape=(28, 28))
浏览 4提问于2020-11-16得票数 0
回答已采纳
1回答
我希望实现一个类似于这的自定义RNN/LSTM模型。模型应以两个独立的向量作为输入，并对它们进行处理。我遵循keras教程来实现一个自定义角化层，并将两个向量a和b作为列表A，b输入到该层，如下所示。
import keras
from keras.layers.recurrent import RNN
import keras.backend as K
class MinimalRNNCell(keras.layers.Layer):
def __init__(self, units, **kwargs):
self.units = units
se
浏览 0提问于2019-10-15得票数 1
1回答
新来的tensorflow。
以下是我正在研究的数据集：
abalone_train = pd.read_csv(
"https://storage.googleapis.com/download.tensorflow.org/data/abalone_train.csv",
names=["Length", "Diameter", "Height", "Whole weight", "Shucked weight",
"Viscera weight&#
浏览 6提问于2022-04-07得票数 1
我在一台使用nvidia Tesla K20c图形处理器的电脑上使用keras和tensorflow后端。(CUDA 8)
我正在训练一个相对简单的卷积神经网络，在训练期间我运行终端程序nvidia-smi来检查图形处理器的使用情况。正如您在以下输出中所看到的，GPU利用率通常显示在7%-13%左右
我的问题是:在CNN培训期间，GPU的使用率不是应该更高吗？这是否表明keras/tensorflow的GPU配置或使用情况不佳？
浏览 9提问于2017-06-15得票数 18
2回答
我正在运行一个图像分类模型。这就是我被卡住的地方。尝试将keras版本降级到1.0.2，并再次运行脚本不起作用。
Jupyter notebook只是继续处理，在第一个时期之后不再运行任何东西，在使用Python3.5的keras1.2上运行代码
输出：
/anaconda/envs/py35/lib/python3.5/site-packages/ipykernel/__main__.py:19: UserWarning: Update your `Dense` call to the Keras 2 API: `Dense(101, activation="softmax"
浏览 20提问于2017-12-31得票数 2
回答已采纳
1回答
我在CNN工作，我有不同大小和纵横比的图像，在预处理步骤中调整大小和中心裁剪图像可能会丢失一些有价值的信息(特别是从边缘-右，左，上和下)。我认为，更好的方法是应用自适应最大池化(给定目标输出尺寸)，以便在将图像传递到最终层之前调整图像大小。在keras中，我可以添加一个简单的最大池化层，但是在keras中有没有一种方法来告诉/绑定最大池化层的输出大小？例如:如果图像大小为800x1520，但所需输出为200x200，则应用最大池化，图像大小调整为200x200
浏览 7提问于2018-10-23得票数 2
在Keras中，使用Flatten()层保留批处理大小。例如，如果扁平的输入形状为(32, 100, 100)，则平坦的Keras输出为(32, 10000)，而在PyTorch中为320000。为什么会这样呢？
浏览 7提问于2020-02-07得票数 9
回答已采纳
我确信这段代码不会有任何问题。我从我的教授那里得到了这段代码，我检查了它的工作情况。但是由于某些原因，它不能在我的系统上工作(Anaconda)。
history = model.fit(train_data, train_labels, epochs=500, validation_split=0.2, callbacks=[early_stop])
Train on 323 samples, validate on 81 samples
Epoch 1/500
32/323 [=>............................] - ETA: 5sWARNING:tens
浏览 0提问于2020-08-10得票数 0
我正在训练一个有107850个样本的模型，并对26963个样本进行验证。
在Keras中拟合模型时，批处理大小和纪元数应该是多少，以优化验证精度？有没有什么基于数据输入大小的经验法则？如果纪元的数量增加，它是否会过度拟合模型？
谢谢。
浏览 2提问于2019-08-04得票数 3
我和凯拉斯是新来的。
我正在研究Keras模型(Version2.2.0)，我已经成功地训练了RGB图像。
我的资源有限，因此已将图像转换为灰度，以减少数据大小(我不确定这是否正确，只是直觉)。我目前的数据集由灰度图像和mush组成，正如我所研究的那样，keras预先训练过的模型期望3通道输入。我尝试了下面的代码来生成图像数据：
train_generator = train_datagen.flow_from_directory(
train_folder,
target_size=(img_width, img_height),
color_mode='grayscale'
浏览 0提问于2018-07-24得票数 0
我正在训练gan，突然出现了一个非常意想不到的错误。我不知道如何修复它。错误不是马上出现的，而是在我训练2-3分钟后发生的。下面是错误 Traceback (most recent call last):
File "gan.py", line 103, in <module>
train(X_train_dataset,200)
File "gan.py", line 80, in train
train_step(images) # takes images and improves both the generator
浏览 21提问于2020-08-26得票数 1
2回答
推荐系统中的不平衡数据集
、、、
我正在与keras建立一个推荐系统。训练集有超过200K的样本，但180K来自评级4。这里给出了分布。
评分5.0 89 4.0 187836 3.0 20032 2.0 6185 1.0 648 0.0 36 dtype: int64
显然，对于代表较少的标签，该模型失败了。我该如何解决这个问题？
我试过SMOTE，但没有用。
浏览 2提问于2019-04-11得票数 1
我用Tensorflow编写了机器学习教程，代码如下：
import tensorflow as tf
import numpy as np
from tensorflow import keras
model = tf.keras.Sequential([keras.layers.Dense(units=1, input_shape=[1])])
model.summary()
model.compile(optimizer='sgd', loss='mean_squared_error')
xs = np.array([-1.0, 0.0, 1
浏览 1提问于2020-06-22得票数 0
回答已采纳
1回答
MLP序列拟合
、、
我正在拟合一个Keras模型，使用SGD输入数据集X_train有55000个条目。
📷
有人能解释一下黄色高亮显示的值吗？对我来说，当每个时代完成时，这应该对应于55000/55000。
model = keras.models.Sequential()
model.add(keras.layers.Flatten(input_shape=[28,28]))
model.add(keras.layers.Dense(300, activation="relu"))
model.add(keras.layers.Dense(100, activation="relu&#
浏览 0提问于2021-02-12得票数 1
回答已采纳
2回答
Keras不是为所有行建模
、、、、
全新的Keras，Tensorflow和Google Colab。我正在学习YouTube教程。我有一个有4000行的df，看起来像这样： x y color
0 1.752690 2.846610 0.0
1 0.848488 2.127556 0.0
2 2.294166 0.801233 1.0
3 4.137304 3.082904 1.0
4 2.877251 1.915737 1.0
... ...
浏览 7提问于2021-01-10得票数 0
回答已采纳
我使用keras LSTM层，并且我的输出预测彼此非常相似。它们之间的差异不超过2个单位。下面是我的代码：
model = Sequential()
model.add(LSTM(5, activation='relu', input_dim=5))
model.add(Dense(units=1, activation='sigmoid'))
model.compile(loss='mean_squared_error',
optimizer='sgd',
metric
浏览 0提问于2018-07-25得票数 3
我在编译我的模型时遇到了困难，我似乎经常遇到这个问题，错误输出并不特别有用：
期望Geo具有形状(504 )，但得到了形状(1，)的数组。
我知道这个形状在某个地方不匹配，但是这个错误并没有指向代码中的任何特定点。它是来自于输入()层，还是来自于生成器本身？
我的模型是一个多输入单输出模型，它在“Geo”输入中接受504个浮点数输入的数字数组，在“SDF”输入中采用一个SDF为64,64,64,1。它们被连在一起以输出12个浮动结果。
我的逻辑如下：
# The Data Generator
# Input shape is 42, 12, 1
# SDF shape is 64, 64,
浏览 3提问于2020-05-02得票数 0
回答已采纳
我正在读取目录层次结构中的图像(flow_from_directory使用来自ImageDataGenerator类的生成器)。该模型是一个固定参数的mobilenetv2 +一个可训练的软最大层。当我将模型与训练数据相匹配时，对于训练和验证来说，精确度是可以比较的。如果我使用验证参数或重置生成器，那么使用model.evaluate或重新使用model.fit重新拟合模型时，验证生成器的准确性会显著下降。该数据库是一个三维视图数据库。相关守则：
“”“
batch_size=16
rescaled3D_gen = tf.keras.preprocessing.image.ImageData
浏览 5提问于2020-10-23得票数 0
回答已采纳
我正在尝试使用tensorflow本身提供的MNIST数据集运行一个简单的NN示例，该数据集在Google Colab上运行。我想要获取原始数据，并自行安装包含这些数据的结构。我能够训练NN，但是当我尝试从测试集中预测一个示例时，我得到了错误 ValueError: Error when checking input: expected dense_input to have shape (784,) but got array with shape (1,). 有人能帮我解决这个问题吗？我是Python和Keras/TensorFlow的新手。 当我跑的时候 print(inp.shape
浏览 32提问于2019-04-04得票数 1
3回答
我正在用Keras实现一个神经网络，但是Sequential模型返回nan作为损失值。我在输出层中有sigmoid激活函数来压缩0到1之间的输出，但可能不能正常工作。
这是代码：
def data_generator(batch_count, training_dataset, training_dataset_labels):
while True:
start_range = 0
for batch in batch_count:
end_range = (start_range + batch[1])
batch_dataset = train
浏览 0提问于2020-02-19得票数 14
2回答
我正在尝试keras.layers.LSTM，下面的代码可以工作。
#!/usr/bin/python3
import tensorflow as tf
import numpy as np
from tensorflow import keras
data = np.array([1, 2, 3]).reshape((1, 3, 1))
x = keras.layers.Input(shape=(3, 1))
y = keras.layers.LSTM(10)(x)
model = keras.Model(inputs=x, outputs=y)
print (model.predi
浏览 0提问于2019-09-07得票数 0
回答已采纳
我对这种型号的批次大小感到困惑。我使用sgd，即随机梯度下降作为优化器(请参阅代码)。我知道在sgd中，使用训练集中的一个随机实例来计算每个步骤的梯度。因此，根据它，batch_size应该等于1。现在，在tf.keras.Sequential.fit()文档中，它说：
如果未指定，batch_size将默认为32。
那么，是否必须手动将batch_size设置为1？这是因为默认值32将使其成为最小批处理梯度下降.
import tensorflow as tf
from tensorflow import keras
fashion_mnist = keras.da
浏览 0提问于2019-07-17得票数 1
回答已采纳
我试着把猫和狗和GoogleNet(毕火炬)分类。每个类包含4000个要训练的图像和1000个要测试的图像，其大小为300*300。我的电脑有32 My内存和RTX 2080超级显卡。这个错误发生在刚开始训练的时候。下面是我的代码，GoogleNet的一部分：
class Inception(nn.Module) :
def __init__(self, in_dim, out_dim1, mid_dim3, out_dim3, mid_dim5, out_dim5, pool):
super(Inception, self).__init__()
sel
浏览 3提问于2020-08-26得票数 0
我试图使用 CNN 使用FER2013数据集对PyTorch模型进行情感识别，我有以下错误：
Traceback (most recent call last):
File "VGG.py", line 112, in <module>
transfer.keras_to_pytorch(keras_network, pytorch_network)
File "/home/eorg/NeuralNetworks/user/Project/model/nntransfer.py", line 121, in keras_to_pyto
浏览 1提问于2017-11-08得票数 9
1回答
我正在训练一个TensorFlow的RNN模型，使用LSTM层来确定声音是来自右边还是左边的立体声音频信号。模型训练进行得很顺利，然后，一旦完成了训练，我就会得到一个无效的参数错误，如下所示。有人知道是什么导致了这一切吗？我试着用一个类似的问题的解决方案来解决这个问题，但是没有结果。
我不明白它为什么期待一个32,2形状的张量，我是否在我不知道的地方定义了它？
这是我的代码：
# -*- coding: utf-8 -*-
"""
Created on Tue Jan 18 15:51:56 2022
@author: andre
"""
i
浏览 7提问于2022-02-07得票数 1
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
