keras变分自动编码器损失函数
Keras变分自动编码器（Variational Autoencoder，VAE）是一种生成模型，结合了自动编码器和概率图模型的思想。它可以用于无监督学习和生成模型，常用于数据降维、特征提取和生成新样本等任务。
损失函数是衡量模型预测结果与真实值之间差异的指标。对于Keras变分自动编码器，常用的损失函数是变分下界（Variational Lower Bound，VLB）或重构损失函数。
- 变分下界（Variational Lower Bound，VLB）：VLB是VAE中的主要损失函数，用于衡量重构误差和潜在空间的正则化项之间的权衡。它由两部分组成：重构损失和KL散度。
- 重构损失：衡量模型重构样本与原始样本之间的差异。常用的重构损失函数是均方误差（Mean Squared Error，MSE）或二进制交叉熵（Binary Cross Entropy）。
- KL散度：衡量潜在空间中的编码分布与先验分布之间的差异。常用的先验分布是高斯分布或均匀分布。
- VLB损失函数的目标是最小化重构误差并使编码分布接近先验分布，从而实现数据的压缩和生成。
- 推荐的腾讯云相关产品和产品介绍链接地址：
- 腾讯云提供了一系列云计算产品和服务，包括计算、存储、数据库、人工智能等。以下是一些与Keras变分自动编码器相关的腾讯云产品：
- 弹性计算（Elastic Compute）：提供云服务器（CVM）和容器服务（TKE），用于部署和运行Keras变分自动编码器模型。产品介绍链接：腾讯云弹性计算
- 云数据库MySQL版（TencentDB for MySQL）：提供高性能、可扩展的MySQL数据库服务，用于存储Keras变分自动编码器的训练数据和模型参数。产品介绍链接：腾讯云云数据库MySQL版
- 人工智能机器学习平台（AI Machine Learning Platform）：提供了深度学习框架和算法库，如TensorFlow和PyTorch，用于训练和部署Keras变分自动编码器模型。产品介绍链接：腾讯云人工智能机器学习平台
- 以上是腾讯云相关产品的简要介绍，您可以点击链接了解更多详细信息。
相关·内容
1回答
我做了几个图像自动编码器的例子，它们工作得很好。现在，我想为文本做一个自动编码器，它接受一个句子作为输入，并返回相同的句子。但是当我尝试使用和图像相同的自动编码器时，我会得到不好的结果。
我想这是因为我的文字很稀少，词汇量很大，只有500 K。
您有用于Keras中文本的自动编码器工作示例的链接吗？
我看到，在大多数论文中，他们使用交叉熵作为损失函数。交叉熵是如何精确计算损失的？即使我用字符自动编码器做一个字符，使用交叉熵也有意义吗？
浏览 0提问于2018-03-25得票数 9
1回答
我试图理解和提高变分自动编码器的丢失和准确性。我用一个简单的二进制数据填充了自动编码器：
data1 = np.array([0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0,
1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0], dtype='int32')
data2 = np.array([1, 0, 0, 0, 0, 0, 0, 0, 0,
浏览 0提问于2018-04-11得票数 0
1回答
我有点困惑KL发散是如何应用的，特别是在Keras中，但我认为这个问题对于深度学习应用来说是一个普遍的问题。在keras中，KL损失函数定义如下：
def kullback_leibler_divergence(y_true, y_pred):
y_true = K.clip(y_true, K.epsilon(), 1)
y_pred = K.clip(y_pred, K.epsilon(), 1)
return K.sum(y_true * K.log(y_true / y_pred), axis=-1)
在我的模型中，y_true和y_pred是矩阵；每一行y_t
浏览 0提问于2017-06-05得票数 7
回答已采纳
1回答
我理解KL散度是如何为我们提供一个度量一个概率分布与另一个参考概率分布是如何不同的。但是为什么它们在VAE中(而不是交叉熵)被特别使用(这是生成的)？
浏览 0提问于2020-09-24得票数 4
1回答
我试图理解自动编码器的丢失功能。
我认为解码器的丢失功能是将输入图像与解码图像进行比较，告诉我是否正确。
但我不明白如何比较才能找到编码器错误。
有人向我解释说，它是用来找编码器错误的。和解码器。
浏览 0提问于2020-10-23得票数 0
1回答
我正在从TensorFlow文档提供的一个例子中学习
通过最大限度地提高边际对数似然上的证据下限(ELBO)来训练。
在实践中，优化这个期望值的单样本Monte估计:logp(x连z)+ logp(z) -logq(z\x)。
损失职能的执行情况如下：
def log_normal_pdf(sample, mean, logvar, raxis=1):
log2pi = tf.math.log(2. * np.pi)
return tf.reduce_sum(
-.5 * ((sample - mean) ** 2. * tf.exp(-logvar) + logvar
浏览 4提问于2022-06-30得票数 0
1回答
基于keras中的，我构建了一个自动编码器，并在MNIST数据集上对其进行了训练，但是根据我如何重建输入，输出是不同的。
第1行=原始的MNIST test_data
第2行= decoder(encoder(test_data))
第3行= full_vae_model(test_data)
如果您仔细观察，您将看到第2行和第3行中的数字看起来不同。有人能解释一下为什么会这样吗？据我所知，这不应该影响我重建原始数据的两条路径中的哪一条。
这是一个变分自动编码器的结构(从获取的图像)。现在，当我接受输入并通过整个网络传递它时，为什么它不等同于将它传递到潜在向量，然后这个中间结果再次传
浏览 1提问于2018-05-31得票数 2
1回答
正确设置堆叠式自动编码器
、、、、
我试图在Keras (tf.keras)中构建一个堆叠的自动编码器。叠层并不是指deep。我为Keras找到的所有例子都是生成例如3个编码器层，3个解码器层，他们训练它，并称之为一天。然而，训练叠层自动编码器的正确方法似乎是本文所描述的方法：。
简单地说，SAE应该是按层方向训练的，如下图所示。第一层训练后，作为第二层训练的输入，重建损失应与第一层而不是输入层进行比较。
我的麻烦就从这里开始。如何告诉Keras在哪些层上使用损失函数？
我就是这么做的。由于Keras中不再存在自动编码器模块，所以我构建了第一个自动编码器，并在第二个自动编码器的第一层设置了编码器的权重(trainabl
浏览 3提问于2018-09-07得票数 20
1回答
我正在尝试使用自动编码器和Keras来检测欺诈。我以的形式编写了以下代码
import numpy as np # linear algebra
import pandas as pd # data processing, CSV file I/O (e.g. pd.read_csv)
from sklearn.preprocessing import StandardScaler
from keras.layers import Input, Dense
from keras.models import Model
import matplotlib.pyplot as plt
data
浏览 14提问于2017-08-07得票数 4
回答已采纳
1回答
我有一个包含文本列的数据集。我使用tf-以色列国防军将这些文本列转换为数字列。我想减少数据集的维度，因为tf创建了许多新的特性/列。
我正在考虑使用自动编码器通过使用编码层的输出来减少数据的维数，将这些输出连接到我的数据中，并使用它作为随机森林的训练集。
我的问题是:上述步骤听起来合理吗？特别是，我是否应该在整个数据集上对自动编码器进行训练，然后将编码层的输出(经过训练后)作为新列来填充随机林？见下面的代码
我使用Keras，所以在定义了自动编码器模型之后，我对整个数据集进行了拟合，然后仅使用编码层对整个数据集进行了预测。然后用这些预测作为我最新的数据。
下面是我使用的代码：
def auto
浏览 0提问于2019-12-01得票数 1
回答已采纳
我正在使用Keras，并尝试使用人工智能和机器学习。我已经做了几个项目，现在我想复制一个数据集。我该往哪个方向学习呢？要开始学习此模型，我应该查找哪些内容？我只需要一位专家给我指出正确的方向。
我要澄清的是，通过复制数据集，我的意思是我想要获取一系列具有易于区分的模式的数字，然后让AI生成类似的新数据。
浏览 22提问于2019-10-31得票数 0
回答已采纳
我正在尝试为文本实现一个自动编码器。但是我不知道我应该使用哪种损失函数？我试过使用mse，但我损失了1063442。我试图构建一个非常简单的自动编码器，只使用Keras中的LSTM层。在角蛋白-博客上，它们使用二进制交叉熵，但我认为原因在于它们使用黑白图像。
谢谢
浏览 0提问于2018-03-28得票数 0
我正在训练一个变分自动编码器，我得到了一个损失图，如下所示：
📷
在224号时代之后，val损失超过了火车损失，并且变得越来越大，但速度非常慢，你可以注意到。我训练了300个时代。
对训练有什么看法。我不认为这是过分适合的数据。但我想确定一下，并因此征求数据科学界的意见。
谢谢。
浏览 0提问于2021-04-02得票数 0
1回答
我面临的问题是，我希望匹配彼此相似的属性(房屋/公寓等)(例如经度和纬度(数字)、卧室(数字)、地区(类别)、条件(分类)等)。使用深度学习。数据是异构的，因为我们混合了数字和分类数据，而问题是无监督的，因为我们没有使用任何标签。
我的目标是获得属性相似性的度量，这样我就可以为每个目标属性找到最匹配的属性。我可以使用KNN，但我想使用一些可以让我找到嵌入并使用深度学习的东西。
我想我可以确定一个混合距离度量，比如Gower距离作为损失函数，但是我如何建立一个模型来确定，比如说，我的样本中每个目标属性的前10个匹配？
任何帮助或指向类似问题集(Kaggle，notebooks，github)的人
浏览 1提问于2019-10-25得票数 1
1回答
所以我想进入“自动编码器”的主题，测试它在200大小的随机向量上的工作效果。
model = keras.models.Sequential()
model.add(keras.layers.Dense(50, activation='tanh'))
model.add(keras.layers.Dense(200))
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['acc'])
model.fit(vectors, vectors,
浏览 0提问于2019-05-27得票数 1
回答已采纳
我读过许多论文，推荐使用变分自动编码器而不是自动编码器，因为它们具有更多的概率方法，并且能够在潜在维度上使用KL散度。但是，在对这两个网络进行测试时，我发现变分自动编码器输出的可变性降低了网络的精度，使用自动编码器的效果更好。我仍然致力于非常简单的数据和培训我的网络上的正常图像，没有任何增强或改变的背景。
变分自动编码器的性能是随着数据的增加而增加的，还是有其他的原因来选择它而不是自动编码器呢？
或者自动编码器在异常检测方面表现更好？
浏览 0提问于2019-04-03得票数 1
在变分式自动编码器中，编码器必须具有与解码器相同的层数吗？我的编码器(密度)：54-10-5-3，解码器(密度)：3-5-10-25-35-45-54，我得到了更好的结果。
浏览 1提问于2018-05-02得票数 3
回答已采纳
我想要生成一个从RGB图像(256×256×3)中提取的一维特征向量，使用预先训练的模型。假设我从一个形状为(N_images，256,256，3)的张量开始，我想获得一个形状为(N_images，M_features)的张量，其中M_features是用户选择的特征数。我在keras/tensorflow 中找到了一个可行的解决方案(参见：“使用VGG16提取特性”)，并尝试了以下代码(使用ResNet50)：
from tensorflow.keras.applications.resnet50 import ResNet50
from tensorflow.keras.preproces
浏览 2提问于2022-07-26得票数 0
简言之：
我已经训练过一个自动编码器，它的验证损失总是高于它的训练损失(见附图)。
我认为这是一个过度适应的信号。但是，我的自动编码器在测试数据集上表现良好。我在想，如果：
1)参照下文提供的网络体系结构，任何人都可以深入了解如何减少验证损失(以及验证损失如何可能大大高于培训损失，尽管自动编码器在测试数据集上的性能良好)；
2)如果培训和验证损失之间存在这样的差距实际上是一个问题(当测试数据集上的性能实际上很好时)。
详情：
我用Keras编码了我的深层自动编码器(下面的代码)。该体系结构为2001 (输入层)- 1000 - 500 - 200 - 50 - 200 - 500 - 100
浏览 1提问于2019-10-10得票数 0
1回答
在损失函数中使用隐激活
、、、
我想为Keras中的双输入双输出模型创建一个自定义丢失函数，即：
最大限度地减小了两个自动编码器的重构误差；
最大限度地提高了自动编码器瓶颈特性的相关性。
为此，我需要传递给损失函数：
这两种投入；
两项产出/重建；
两者的中间层的输出(隐藏激活)。
我知道我可以将输入和输出传递给Model，但是我很难找到一种方法来传递隐藏的激活。
我可以创建两个新模型，它们具有中间层的输出，并将其传递给丢失，例如：
intermediate_layer_model1 = Model(input=input1, output=autoencoder.get_layer(&#
浏览 4提问于2016-12-29得票数 1
1回答
我正在尝试构建一个只有一个层的自动编码器：
from keras import backend as K
def cost2(y_true, y_pred):
print "shapes:", model.get_weights()[0].shape
yy = K.dot( y_pred, model.get_weights()[0].T )
return np.sum((y_true - yy)**2)
x = Input(shape=(original_dim,))
y = Dense(latent_dim)(x)
model = Model(i
浏览 2提问于2018-02-23得票数 1
2回答
我用keras (一个convnet)构建了一个定制的架构。该网络有4个头部，每个头部输出不同大小的张量。我正在尝试写一个自定义损失函数作为这4个输出的函数。我之前已经实现了自定义损失，但它要么是每个头部的不同损失，要么是每个头部的相同损失。在这种情况下，我需要组合4个输出来计算损失。
我习惯了以下几点：
def custom_loss(y_true, y_pred):
return something
model.compile(optimizer, loss=custom_loss)
但在我的例子中，我需要y_pred是4个输出的列表。我可以用零填充输出，并在我的模型中添加一个连接
浏览 5提问于2018-08-04得票数 10
回答已采纳
1回答
我正在使用Python，Tensorflow和Keras在450x450RGB的手表正面图像(例如)上运行自动编码器。我的目标是使用这些图像的编码表示，这些图像是由自动编码器生成的，并将它们进行比较，以找到它们之间最相似的手表。目前，我使用1500 rgb图像，因为我还没有GPU，而只有一台具有26BG RAM的pc。
我的源码如下：
from keras.layers import Input, Dense
from keras.models import Model
import cv2
import numpy as np
from sklearn import preprocessin
浏览 15提问于2018-02-23得票数 1
回答已采纳
1回答
我正在尝试在Keras中使用seq2seq模型构建一个聊天机器人。我使用了Keras博客中指定的标准seq2seq模型。我曾经使用过Word2vec来嵌入单词。我的问题是，我在训练时得到了负值的损失。为什么会发生这种情况?我如何修复它？谢谢。 from keras.models import Model
from keras.layers import Input, LSTM, Dense
# Define an input sequence and process it.
encoder_inputs = Input(shape=(None, num_encoder_tokens))
e
浏览 8提问于2020-07-19得票数 0
为了训练去噪自动编码器，我在输入数据中构造了x+n，在输出数据中构造了x(x:原始数据，n:噪声)。学习完成后，我通过一个去噪自动编码器(x_test + n_test -> x_test)获得去噪数据。然后，作为测试，我通过将输入和输出数据构造成相同的值来训练自动编码器，就像传统的自动编码器一样。
(x -> x)
因此，在测试阶段，我获得了类似于去噪自动编码器的去噪数据。为什么通过传统的自动编码器来消除噪音？
请告诉我这两个自动编码器的区别。
浏览 4提问于2018-08-05得票数 2
回答已采纳
1回答
从输入图像到输出图像存在映射。假设输入图像是一张纸，中间有一个方形的孔，输出图像是当光线照射在纸上时输入图像的阴影，它看起来也像一个正方形，但有一些模糊和大小不同。(实际的模式要比这个正方形的洞复杂得多)我正在尝试实现一个神经网络，它可以学习这种映射，当给定输入图像时，网络可以预测输入图像的“阴影”。我尝试使用一个卷积的自动编码器结构(如这个https://blog.keras.io/building-autoencoders-in-keras.html)，将目标图像从输入图像替换为self到输出图像训练集。但看起来不太好用。我想知道什么样的神经网络适合这个任务？什么样的损失函数是合适的？
浏览 0提问于2018-04-23得票数 2
1回答
我遵循这个keras教程，使用MNIST数据集创建一个自动编码器。这是教程：https://blog.keras.io/building-autoencoders-in-keras.html。 然而，对于简单的单层自动编码器(这是链接中的第一个示例)，我对激活和丢失的选择感到困惑。是否有特定的原因将sigmoid激活用于解码器部分，而不是relu之类的东西？我正在尝试理解这是不是一个我可以玩弄的选择，或者它是否确实应该是sigmoid，如果是的话，为什么？类似地，我理解损失是通过逐个像素级别比较每个原始和预测数字来获取的，但我不确定为什么损失是binary_crossentropy，而不是均
浏览 14提问于2020-01-04得票数 0
回答已采纳
1回答
利用自动编码器重建潜在空间
、、、、
import numpy as np
import numpy.matlib
import numpy as np
import pandas as pd
from keras.layers import Input, Dense
from keras.models import Model
from keras.optimizers import RMSprop
from sklearn.preprocessing import StandardScaler
from sklearn.preprocessing import MinMaxScaler
sgx=np.random.randn
浏览 0提问于2019-12-20得票数 0
def charbonnier(I_x, I_y, I_t, U, V, e):
loss = K.sqrt(K.pow((U*I_x + V*I_y + I_t), 2) + e)
return K.sum(loss)
我想使用这个代价函数，并针对U和V对其进行优化。我目前正在努力使其与Keras一起工作，因为Keras损失函数只能具有f(y_true，y_pred)的形式。
我的模型是完全无人监督的，我没有基本事实。I_x，I_y和I_t是常量，模型的目标是学习使E(F)最小化的U和V。所以我的问题是:在Keras中实现这种损失函数(不具有f(y_true，y_p
浏览 41提问于2018-07-23得票数 3
回答已采纳
1回答
自动编码器以减少输入数据大小
、、、、
目前，我想使用自动编码器来减少输入数据的大小，以便将减少的数据用于另一个神经网络。我的任务是拍摄一段视频，然后将视频的图像提供给自动编码器。当我只使用几张图像作为输入时，自动编码器工作得很好，但当我想要一系列图像时，它就不行了。
想象一下，从一个移动的球上拍摄视频。例如，我们有200张图片。如果我对200张图像使用自动编码器，误差很大，但如果我只对5张图像使用，重建误差很小，可以接受。似乎自动编码器不学习球循环的顺序或时间运动。我也尝试使用堆叠式自动编码器，但效果不佳。
有没有人知道问题是什么，或者可以使用自动编码器来完成这项任务？
浏览 1提问于2013-12-04得票数 2
我正在学习本教程，特别是卷积示例。我不明白为什么如果我把损失函数从binary_crossentropy改为MSE，它只适用于fashion_mnist。
使用mnist，损失在第一个时期之后下降，不再变化。训练后，测试集上的预测图像只是黑色图像。使用fashion_mnist，它可以完美地工作。
import keras
from keras import layers
import keras.backend as K
input_img = keras.Input(shape=(28, 28, 1))
x = layers.Conv2D(16, (3, 3), activation=
浏览 0提问于2021-03-11得票数 2
1回答
具有非随机输入的GAN
、、、
我对那些时候的GAN很感兴趣。
我为MNIST编写了一个模型，结构如下:生成器模型、鉴别器模型、Gen + Dis模型
生成器模型从随机分布中生成批量图像。描述者对它和真实图像进行了训练。然后将鉴别器冻结在Gen+Dis模型中，并训练生成器。(与冻结的鉴别器谁说发电机是好的或不好的)
现在，假设我不想给我的生成器提供随机分布，而是提供图像。(例如，用于放大，或从绘图生成真实图像)
我需要更改其中的某些内容吗？(除了conv模型谁会更复杂)我应该继续使用binary_crossentropy作为损失函数吗？
非常感谢！
浏览 14提问于2017-01-05得票数 3
Keras自动编码器示例：(https://blog.keras.io/building-autoencoders-in-keras.html)使用binary_crossentropy (BCE)作为丢失函数。
为什么他们使用binary_crossentropy而不是mse？
根据keras的例子，自动编码器的输入是一幅标准化的图像(每个像素在范围0..1中都有值)。
自动编码器的输出是相同的。(预测的标准化图像)
我阅读了一些文章，这些文章表明，当目标为固定值(0或1)而不是值0..1的范围时，BCE用于评估损失。
当目标不是0/1时，使用BCE似乎是不正确的，对吗？
浏览 0提问于2021-06-29得票数 6
回答已采纳
1回答
信号压缩技术
、、、、
我收到了长度为26000的信号。此信号是从机器传感器收集的。以一种非常简单的方式，我们可以告诉你，我们将传感器连接到机器上，然后我们只从机器上收集了1秒的信号。这1秒的信号长度是26000。这意味着采样频率为26,000 Hz。
我的问题是，如果我想把这个信号用于我的基于深度学习的算法..假设CNN和其他公司，这个规模是非常大的。(我们已经收集了很多信号，所以我们并不是只向深层网络传递一个信号)。如何减小信号的大小，或者如何在不丢失大量信息的情况下压缩信号。
因此，如果我有一个大小很大的信号，并且我想将它压缩成较小的大小，有什么可以建议的技术吗？
提亚
浏览 0提问于2020-05-23得票数 0
3回答
在数据挖掘中，我使用机器学习算法来解决二进制分类问题。
然而，数据样本的分布是非常不平衡的。
好样品与坏样品的比例高达500:1。
可以使用哪些方法来解决不平衡数据的二进制分类？
浏览 2提问于2019-10-15得票数 0
使用Tensorflow，可以使用tf.summary监测训练期间的数量。
是否可以使用Keras进行同样的操作？您可以通过修改上的代码并监视KL丢失(定义)来包括一个示例吗？
提前谢谢你！
浏览 2提问于2017-04-19得票数 2
回答已采纳
1回答
我正在尝试编写一个变分自动编码器的实现，但是我面临着一些关于损失函数的困难：
def vae_loss(sigma, mu):
def loss(y_true, y_pred):
recon = K.sum(K.binary_crossentropy(y_true, y_pred), axis=-1)
kl = 0.5 * K.sum(K.exp(sigma) + K.square(mu) - 1. - sigma, axis=-1)
return recon + kl
return lo
浏览 0提问于2018-04-27得票数 1
1回答
我想尝试实现一个自动编码器完全连接的卷积神经网络作为Unet，以将一幅图像转换为另一幅具有未知非线性关系的图像。 我有高斯核卷积算法，它工作得很好，但我想尝试一些机器学习的方法。 你有没有其他的ANN架构的想法？没有标准的完全连接的ANN (已经尝试了很好的效果)，非常感谢
浏览 13提问于2020-01-16得票数 0
1回答
如果我有一组N个数据，那么每个数据都有4个特征。我不知道这些特征之间可能存在(或不存在)的关系。
是否有可能从我最初的集合中生成新的数据，以尊重特性之间可能存在的隐式关系，而不必显式地找到这些关系？
浏览 0提问于2017-02-09得票数 2
回答已采纳
我正在尝试推算图像，比如：
mnist图像补偿的例子。
如何使用deeplearning4j VAE或SDA来完成此操作？
浏览 0提问于2017-03-24得票数 1
2回答
为什么类相似性是不正确的？
、、、、
我已经创建了一个神经网络，它将数据分类为大量的类别。我在Keras中使用了softmax和分类交叉熵。训练很成功，我达到了95%的准确率。问题如下，当我删除带有类别的最后一层，并使用具有余弦相似性的神经网络作为编码器时，预测是不正确的。这些类彼此不匹配。为什么以及如何解决这个问题？从理论上讲，神经网络应该以一种类似类邻近的方式来构建数据空间。
浏览 0提问于2021-01-30得票数 0
2回答
我正在处理的数据需要分类，如果一个病人是否会发展为癌症在未来，根据医疗测试，随着时间的推移。这些测试是有顺序关系的。例如: A，B，C，等等：
| Patient ID | Test ID | RBC Count | WBC Count | Label
| 1 | A | 4.2 | 7000 | 0
| 1 | B | 5.3 | 12000 | 0
| 1 | C | 2.4 | 15000 | 1
| 2 |
浏览 0提问于2018-08-31得票数 1
我想训练一个CNN，用Keras从100x100x1图像中预测224x224x13矩阵(热图)。我的想法是完善keras提供的经过预先培训的网络(resnet、Xception、vgg16等)。
第一步是用预先训练过的顶层来代替那些满足我的问题约束的层。我试图预测值从0到1的100x100x1热图图像，因此我希望我的网络输出是一个100x100x1矩阵。我相信，如果我使用Flatten，然后使用Dense层的1000x1x1，我将失去空间信息，我不想(对吗？)
我希望我的代码是灵活的，能够独立运行，使用的是经过预先训练的体系结构(我需要运行许多实验)。因此，我想堆叠一个Dense层，它连接到它
浏览 0提问于2017-06-09得票数 4
回答已采纳
1回答
我遵循一个指南来构建一个基本的单层自动编码器来学习Keras以及自动编码器。然而，在培训过程中，我意识到该模型将X_train数据作为输入数据和标签数据，并且在评估过程中与X_test实际上是一样的。我还检查了另一个示例自动编码代码，它们的结构也是相同的。
这是因为自动编码器接受数据的原样，就像标签本身是数据一样，没有特定的标签吗？这背后的原因是什么，难道我们不能在没有任何标签的情况下运行模型(实际上我尝试过，但是Keras不喜欢这个想法，并给出了一个错误)。
培训和评估呼叫如下：
autoencoder.fit(X_train,X_train, epochs=nb_epoch, batch_
浏览 2提问于2021-08-13得票数 0
回答已采纳
1回答
我的数据X有一个keras模型。使用的代码是：
X=np.array(data[['tags1','prx1','prxcol1','p1','p2','p3']].values)
t=np.array(data.read.values)
n=np.array(data.read.values)
import keras
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '3'
import tensorflow as
浏览 0提问于2020-06-11得票数 1
我想构建一个自动编码器，其中编码器中的每个层与解码器中的对应层具有相同的含义。因此，如果自动编码器经过了完美的训练，那么这些层的值应该大致相同。
因此，假设自动编码器由e1 -> e2 -> e3 -> d2 -> d1组成，而e1是输入，d1是输出。普通的自动编码器训练在d1中具有与e1相同的结果，但我需要附加的约束，即e2和d2是相同的。因此，我想要一个额外的反向传播路径，它从d2到e2，同时训练从d1到e1的正常路径。(d代表解码器，e代表编码器)。
我尝试使用e2和d2之间的错误作为CustomRegularization层的正则化术语，从这个链接的第一个答案开
浏览 0提问于2019-05-10得票数 2
回答已采纳
我有一个带有一个热编码标签的CNN二进制分类器，我用Keras编写，它只是没有训练到我想要鼓励的度量。我的数据非常不平衡(91%的0级，9%的1级)，而且无论我做什么，它总是支持大多数类的准确性。我玩过举重游戏。我试过创建平衡测试和训练文件。似乎我的CNN很难在少数群体中找到模式，所以它总是在多数阶级中返回改进。我想做的是创建一个定制的损失，允许我定义一个分数来奖励少数类的真阳性(TP)，并惩罚它的假阳性(FP)。如下所示：
def minority_score(y_true, y_pred):
max_value_true = K.argmax(y_true, -1)
ma
浏览 0提问于2019-07-07得票数 6
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
即时通信 IM
实时音视频活动推荐
腾讯云开发者
