1回答
我试图实现一种算法来高效地计算卷积和相关的组合，如下所示：
c(x,y)=(sum of i, (sum of j, a(x-i,y+j)*b(i,j)))
我知道一维卷积或相关可以通过
a conv b = ifft(fft(a).*fft(b))
a corr b = ifft(fft(a).*conjg(fft(b)))
但我不知道它们在二维或N-D问题中的组合。我认为它类似于二维卷积，但我不知道具体的演绎过程。
浏览 0提问于2019-04-20得票数 2
回答已采纳
1回答
我有一个非常基本的问题，但是我不知道在Keras中二维卷积的概念。如果我能创建一个这样的模型：
model = tf.keras.Sequential([tf.keras.layers.ZeroPadding2D(padding=(3,3), input_shape=(64,64,3)),
tf.keras.layers.Conv2D(filters=1, kernel_size=(7,7))])
为什么输出形状是(None, 64, 64, 1)：
Layer (type) Output Shape
浏览 0提问于2021-09-07得票数 0
回答已采纳
几天前，我开始编写一个脚本，利用scipy.signal.correlate2d计算4096x4096图像的二维自相关。确切的说法是
zauto = signal.correlate2d(image, image, mode='full', boundary='wrap')
三天后，它仍在运行，遥遥无期。我最终意识到它必须做一个蛮力元素的逐元素卷积，这是一个与N^2一起的过程，因此4096^4 = 281万亿乘和相加。
同时，我最终发现，通过对图像进行二维快速傅立叶变换，将其转换成二维功率谱，然后再进行逆FFT，就可以得到预期的结果。
image -= np.m
浏览 1提问于2020-05-26得票数 1
回答已采纳
有一种架构我想在TensorFlow中进行实验。
其思想是由一维滤波器组合而成的二维滤波器内核.
来自
通过滤波器组合简化ConvNets
该方案的实质是将传统网络中的ND核分解为N个连续层的一维核。
..。
提出了一种由分解层组成的DecomposeMe体系结构。每个分解层表示一个N-D卷积层作为一维滤波器的组合，此外，还包括一个非线性的φ(·)中间。
..。
将现有结构转换为分解结构是一个直接的过程，因为可以系统地将现有的ND卷积层分解为由一维线性校正核和一维转置核组成的连续层集，如图1所示。
如果我正确理解，一个二维卷积层被替换成两个连续的一维卷积？
考虑到权重是共享和转换的，我
浏览 3提问于2016-09-15得票数 2
2回答
这不是一个“编程”问题。但我相信在这个社区里，这是众所周知的，也是众所周知的。
我有一个图像，x，和一个小得多的图像，y，我需要通过将它们的FFT相乘来将两者转换。但是由于它们的大小不一样，我不知道如何进行频域乘法。
我取x的(二维) FFT (它是维数4096 x 4096的整数矩阵)，它给出了频域表示，X(它是一个复数矩阵，我认为它的维数是2048x2048)。
类似地，我取y的二维FFT (维数为64x64的整数矩阵)，它给出了频域表示，Y(也是一个复数矩阵，我认为它的维数是32x32)。
我在数值计算中使用了四n函数，所以我的输入矩阵，x和Y必须折叠成一维数组，它们被离散的Fourie
浏览 4提问于2009-09-03得票数 9
3回答
我想知道numpy/scipy中是否有一个用于一维阵列循环卷积的函数。只提供“模式”而不提供“边界”，而signal.convolve2d()函数需要二维数组作为输入。
我需要这样做，以比较开放卷积和循环卷积作为时间序列作业的一部分。
浏览 8提问于2016-02-18得票数 7
回答已采纳
我尝试将二维图像转换为一维图像和滤波器，而不是使用一维滤波器对图像进行滤波，并获得与二维卷积中相同的相应像素响应。
我已经做了
I1 = I(:)
filter1 = filter(:);
response = imfilter(I1,filter1,'conv')
response2d = imfilter(I,filter,'conv');
但是response和response2d与匹配的条目不同。
如何解决这个问题呢？有什么建议吗？
浏览 0提问于2013-03-19得票数 0
回答已采纳
2回答
如何在Matlab中得到一个用复制表示2d卷积的二维卷积矩阵。所以我想要的是这样的东西：
T = getConvMtx(H, m, n);
res1 = T * im;
res2 = imfilter(im, H, 'replicate');
并使res1和res2有效相等。
Matlab的convmtx2实现给出了一个假定零填充的卷积矩阵。
我已经将我的实现作为答案之一，尽管它效率极低。这就是为什么我会重视、反馈和建议一个更好的方法。
浏览 13提问于2014-10-01得票数 1
回答已采纳
1回答
在使用Matlab2D滤波函数filter2(B,X)和卷积函数conv(X,B,'')时，我发现filter2函数本质上是二维卷积，但是滤波器系数矩阵的旋转是180度。就filter2和conv2的输出而言，我看到以下关系成立：
output matrix of filter2 = each element negated of output of conv2
编辑:我是不正确的；上述关系一般不成立，但我看到了一些情况。通常，这两个输出矩阵是不相关的，因为在这两个矩阵中都得到了两个完全不同的核，用于卷积。
我知道二维卷积是如何进行的。我想了解的是这在图像处理方面的含义。我怎
浏览 3提问于2010-12-22得票数 4
回答已采纳
我一直在研究卷积神经网络结构。我对3d内核在3d输入图像上起作用的部分感到非常困惑(好吧，假设我们有这些图像的堆栈，那么它是4d的，但只是为了让解释更容易一些)。我知道互联网上到处都是这样的东西。但是我找不到矩阵乘法部分的确切答案。 为了让大家更容易理解，谁能给我展示一下(5,5,3)矩阵(我们的内核)在(28,28,3)矩阵(我们的RGB图像)上的实际乘法，输出一个二维数组。 另外，请(用详细的图片)展示这些数量众多的2d阵列是如何被扁平化并连接到单个完全连接的层的。 我知道，池化二维阵列的最后一层是扁平化的。但是，由于有64个二维数组(只要考虑一下)，..因此，即使我们扁平化每一个，我们
浏览 44提问于2019-04-29得票数 1
3回答
我想在MATLAB中实现信号的二维核卷积。这本质上是信号(而不是图像)的非线性二次滤波器，如下公式所述：
其中k2(t1，t2)是二维卷积核.X是一个一维N，1个信号向量&y是输出N,1信号。
到目前为止，我一直在用一种野蛮的力量，不优雅的方式来做这件事。我想知道我是否可以使用MATLAB filter2/conv2函数来更有效地完成这个任务！我知道这些功能是用来处理图像的，但我不太了解，所以我希望有人能帮上忙！
浏览 5提问于2014-02-10得票数 2
回答已采纳
我想在matlab中验证卷积定理。
首先，用图像灰度图(x，y)对二维高斯进行二维离散卷积。
其次，计算了同一二维高斯图像和原始图像的傅里叶变换。然后对这两个傅里叶变换进行标量乘法，然后对结果进行逆傅里叶变换。
最后，我将计算两个结果之间的均方误差。然而，我发现错误是800+。
这是我的密码：
[row, col] = size(graymap);
[row_2, col_2] = size(z);
result = zeros(row, col);
for i = 1: col
for j = 1:row
accumulation_value = 0;
for k =
浏览 2提问于2017-10-18得票数 1
回答已采纳
2回答
我有一个大小为(3,2)的二维数组，我必须使用最近邻，线性和双三次插值方法重新采样，这样大小就变成了(4,3)。
为此，我使用了Python、numpy和scipy。
如何实现输入数组的重采样？
浏览 1提问于2016-12-21得票数 3
1回答
我正在尝试建立一个包含多维特征作为输入的分类器模型。有没有人知道包含多维特征的数据集？例如:在mnist数据中，我们有像素位置作为特征&特征值是从(0 - 255)变化的一维灰度值，但如果我们考虑彩色图像，那么在这种情况下，单个灰度值是不够的，在这种情况下，我们也将像素位置作为特征，但特征值将是三维的( R(0-255)为一维，G(0-255)为第二维，B(0-255)为第三维)，那么在这种情况下，如何使用FeedForward神经网络解决问题？一些小的建议也被接受。
浏览 13提问于2018-01-22得票数 0
我有两个二维矩阵，它们的列数相同，、A和B列数相同。我想将这两个矩阵的对应列进行转换，并将结果存储到一个名为result的新列中。假设result具有适当的维度，我目前的方法如下：
for i = 1 : size( A, 2 ) % number of columns
result(:,i) = conv( A(:,i), B(:,i) );
end
是否有一种方法可以避免使用conv()或conv2()直接使用这个循环？
浏览 0提问于2020-01-14得票数 1
回答已采纳
1回答
CNN凯拉斯:将训练多少个重量？
、、、、
我对CNN的理解有点问题。我不太确定有多少过滤器和重量被训练。
示例:我有一个32x32像素和3个通道的输入层(即(32,32,3)的形状)。现在我使用了一个二维卷积层和10个形状的(4,4)滤波器。因此，我最终得到了10个通道，每个通道的形状都是(28,28)，但是现在是为每个输入通道训练一个单独的过滤器，还是它们是共享的呢？我是训练3x10x4x4还是训练10x4x4？
浏览 1提问于2018-06-05得票数 3
回答已采纳
我一直在学习卷积神经网络。在查看Keras示例时，我遇到了三种不同的卷积方法。即一维、二维和三维。这三层之间有什么区别？他们的用例是什么？是否有一些链接或引用来显示它们的用例？
浏览 0提问于2019-05-06得票数 17
回答已采纳
1回答
在pytorch中，我必须得到维数K，L，M和M，L，N的张量，我要执行这些张量沿中间二维方向的标准张量卷积积，从而得到K，N张量。我找不到关于如何执行这些操作的正式文档，也许应该在其他库中进行更好的操作，然后再转换为py手电筒张量？
浏览 1提问于2020-07-30得票数 0
回答已采纳
在二维卷积的TensorFlow中，我们有：
tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None,
data_format=None, name=None)
和
tf.contrib.layers.convolution2d(*args, **kwargs)
我不确定是否有分歧？
我知道，如果我想使用特殊的过滤器，我应该使用第一个过滤器，对吗？但还有什么？尤其是关于产出？
谢谢
浏览 5提问于2017-04-24得票数 6
回答已采纳
1回答
分批/并行地进行一维卷积
、、、
我有下面的代码，基本上是对二维矩阵的每一行进行一维卷积。卷积核是相同的。所以真的是SIMD的案子。
a = [ 1,2,3,4,5;
6,7,8,9,7;
7,6,2,3,4;
23, 54, 1, 3 ,7];
f = [1,2,3];
for n = 1:size(a,1)
conv(a(n,:),f,'same')
end
当矩阵大小(和内核大小)变大时，速度就成了问题。我想知道是否有任何方法在批处理(并行化这个过程)？
我做了类似的事情，但是结果与上面的代码不同：
a = [ 1,2,3,4,5;
浏览 1提问于2018-08-21得票数 3
回答已采纳
我试图使用KNN将.wav文件正确地分类为两组，第0组和第1组。
我提取了数据，创建了模型，拟合了模型，但是当我尝试使用.predict()方法时，我得到了以下错误：
Traceback (most recent call last):
File "/..../....../KNN.py", line 20, in <module>
classifier.fit(X_train, y_train)
File "/Library/Frameworks/Python.framework/Versions/3.6/lib/python3.6/s
浏览 2提问于2017-12-28得票数 4
回答已采纳
我注意到在输入图像具有三维的代码中使用了Conv2d层。然而，由于我们只为滤波器输入两个维度，矩阵乘法是如何发生的？
二维滤波器是否将每个输入通道分开(或使用广播)(然后将结果相加)？
或者过滤器的深度是否自动匹配输入的深度(如果是彩色图像，则为3)？如果是这样的话，3x3x3过滤器应该有27个可以训练的权重，而在前一个情况下是9个。
对于conv2d的过滤器尺寸，Tensorflow更加明确(您必须输入高度、宽度、通道、output_channel)。
浏览 0提问于2018-01-02得票数 3
回答已采纳
我有一个函数定义，接受的图像是单色和二维，和滤波器组，是一个三维阵列(48个2D滤波器)。我需要在每个像素位置将这两个特征向量进行转换以找到特征向量。我该怎么做？
我尝试过scipy.ndimage.convolve()，但得到了错误“滤波器权重数组有错误的形状。”
浏览 5提问于2020-06-29得票数 1
回答已采纳
2回答
卷积神经网络中核大小的变化
、、、、
我一直在从头开始创建一个卷积神经网络，并对如何处理隐藏卷积层的内核大小感到有点困惑。例如，假设我有一个MNIST映像为input (28 x 28)，并将其置于以下层中。
kernel_size = (5,5)有32个输出通道的卷积层
吞吐量的新维度= (32，28，28)
pool_size (2,2)和step (2,2)的最大池层
新的吞吐量维度= (32，14，14)
如果我现在想要创建一个内核大小= (5x5)和64个输出通道的第二个卷积层，我如何继续？这是否意味着我只需要两个新的过滤器(2 x 32 existing channels)，还是内核大小更改为(
浏览 0提问于2018-10-25得票数 0
1回答
沿单轴的二维数组卷积
、、、、
假设我有不同行数的独立二维数组：
数组一：
1 2 3
4 5 6
7 8 9
数组二：
10 11 12
13 14 15
我想沿着零轴将这两个数组卷积在一起，输出大小与数组1相同，类似于scipy的卷积方法在使用mode=' same‘时输出的内容。
所以两个数组的第一列卷积在一起，依此类推，两个数组的第二列卷积在一起，等等。我想以一种在计算上对更大的数组( 100,000行以上)可行的方式来做这件事，所以如果可能的话，我想避免使用for循环。numpy/scipy或任何其他库有任何方法来执行此操作吗？
所需的输出应如下所示：
10 22 36
53 83 117
122 158
浏览 0提问于2018-08-13得票数 3
1回答
我正在尽我最大的努力复制这个中描述的算法，以创建一个修复算法。这个想法是为了得到轮廓或边缘点的部分图像，需要进行内画。为了找出区域内最线性的点，找出了正交法向量。在第6页中，对实施情况作了简短说明。
在我们的实现中，目标区域的等高线δΩ被建模为图像点位置的密集列表。给出一个点p∈δΩ，其法向np计算如下：(1)通过二维高斯核对δΩ的“控制点”位置进行滤波，并将np估计为与直线正交的单位向量，通过列表中的前一点和连续点。
所以看起来我需要把所有这些点放在高斯滤波器中。当我们有一个一维或一个点列表时，如何设置二维高斯滤波器？
假设我们的轮廓点是一个盒子形状，然后创建一个一维点列表:1，1，1
浏览 3提问于2015-07-14得票数 2
2回答
我正在尝试使用一组28张数据库图像执行面部识别(7人每人4张)。每个人都有两张照片，每张照片都是在两个非常不同的背景下拍摄的。每幅图像的中心都有一个人的脸。
最初，当我对7个人(每个人2个，背景相同)的图像运行面部识别算法时，我的算法工作得很好。然而，在添加了不同背景下的人脸图像后，该算法并没有按预期工作，这表明图像中的背景正在引起问题。
我读了马修·特克和亚历克斯·彭特兰的论文，他们建议将图像乘以以面部为中心的二维高斯窗口。我尝试这样做，但是，面部识别算法的性能并没有提高。
谁能帮助我理解这个与二维高斯窗口相关的过程，以及它如何应用于面部识别？土耳其人和彭特兰人声称这个过程对他们很有效。
我
浏览 0提问于2016-07-22得票数 0
8回答
我正在尝试使用numpy在python中执行二维卷积。
我有一个2d数组，其中行使用内核H_r，列使用H_c，如下所示
data = np.zeros((nr, nc), dtype=np.float32)
#fill array with some data here then convolve
for r in range(nr):
data[r,:] = np.convolve(data[r,:], H_r, 'same')
for c in range(nc):
data[:,c] = np.convolve(data[:,c], H_c,
浏览 2提问于2010-03-15得票数 16
2回答
import numpy as np
import tensorflow as tf
X_node = tf.placeholder('float',[1,10,1])
filter_tf = tf.Variable( tf.truncated_normal([3,1,1],stddev=0.1) )
Xconv_tf_tensor = tf.nn.conv1d(X_node, filter_tf,1,'SAME')
X = np.random.normal(0,1,[1,10,1])
with tf.Session() as sess:
t
浏览 3提问于2017-01-25得票数 5
回答已采纳
我想用FFT加速二维卷积。滤波器为15x15，图像为300x300。滤波器的大小与图像不同，所以在FFT后不能做点积。那么，如何在进行FFT之前对滤波器进行变换，使其大小能够与图像匹配？
浏览 4提问于2015-10-06得票数 0
2回答
假设，我们有一个位图图像表示为一个二维整数数组，int [,] image2D;，其FFT为Complex[,] fftImage2D;。
假设，我们有一个内核表示为2D整数数组，int [,] kernel2D;，其FFT为Complex[,] fftKernel2D;。
我们知道，image2D和kernel2D的卷积(在空间域中)是，
int Rows = image2D.GetLength(0);
int Cols = image2D.GetLength(1);
for(int i=0 ; i<Rows ; i++)
{
for(int j=0 ; j<Cols
浏览 10提问于2016-06-12得票数 3
回答已采纳
1回答
我试图了解卷积神经网络在NLP中的作用。
例如，我的输入语句矩阵有维度(100,200)。这里100是我的句子长度，200是嵌入单词的维度。
然后利用卷积层提取特征。在Keras中，类似于Conv1D(filters=128, kernel_size=3, padding='same', activation='tanh', strides=1)。
，但是为什么输出维度是(100,128)?，我可以理解第一个数字，因为我使用填充相同的，并且跨距1，所以维度应该是相同的。但是为什么第二维度是128，不是应该是200*128吗？内核到底是什么样子的？我假设它只是沿着
浏览 0提问于2018-07-13得票数 0
1回答
高维数据集的处理
、、、
我有维数(25000, 100, 500)的数据，即25000行，每个行由一个二维的100×500矩阵组成。目前，我只申请CNN的分类目的。还有其他方法可以对这些数据进行建模吗？我把二维矩阵压平成一维阵列，形状(50000, )，并在(25000, 50000)数据集上应用主成分分析，我得到了约85%的解释方差的400个分量。PCA和LDA仍然适用于这样的高维数据集吗？(堆栈上的其他类似问题不解决此问题)
还有其他方法可以提取一维特征，以便应用像支持向量机、XGBoost这样的模型吗？(例如: CNN提取扁平的一维特征是一种方法)
浏览 0提问于2020-09-10得票数 2
正如本指南所说的，反卷积层可以转换成等效的卷积层。
然而，当原始卷积的步长大于1时，对应的反褶积等效卷积应采用在每个输入单元之间添加s−1零点得到的拉伸输入，其中s是原卷积中的步长。
下面是一个例子：
问题是:因为tensorflow只提供了一个二维版本的解卷层，如果我想为一个步幅大于1的原始卷积层实现一个一维反卷积层，我如何在每个输入单元之间添加零点？
非常感谢
浏览 5提问于2017-05-16得票数 1
2回答
我已经尝试了一段时间的内核大小和通道安排，但没有运气。我不完全确定如何计算Conv2D层的校正器参数，我也不确定更改这些参数会在多大程度上影响与论文中模型的相似性。
任何帮助都将不胜感激。
我尝试基于文献中的设计构建的模型
input_shape = (4, 30, 180)
model = Sequential()
model.add(Convolution2D(32, (8, 8), strides=(4,4), activation='relu', input_shape=(4,30,180), data_format='channels_first'))
浏览 22提问于2020-02-12得票数 0
1回答
我正在尝试做一个带有向量的任意N维曲面的‘卷积’。更具体地说，我正在尝试获得N阶Volterra内核的输出(参见，等式1)。
因此，对于一维核，输出是一阶核与过去输入时期的简单滑动卷积。它本质上是将过去输入时期中的每个值与一个系数相乘/加权。
二阶核输出是二维矩阵与信号的‘卷积’。该核函数使用系数对过去的每一对点的乘积进行加权。
三阶核是一个3d矩阵，它对过去记忆时代中的每个三元组的点进行加权。
另外，我也不知道内核的尺寸/顺序。它是一个输入参数。
我知道我可以通过逐点遍历几个for循环来非常不优雅和缓慢地做这件事，但我想知道在matlab中是否有一种方法可以非常快速和优雅地做到这一点？
谢谢
浏览 0提问于2013-07-20得票数 7
1回答
假设我们讨论的是二维卷积在图像上的应用。
在灰度图像中，数据是维数w \times h的矩阵，其中w是图像的宽度，h是它的高度。在彩色图像中，通常有3个通道:红色、绿色和蓝色；这样，彩色图像可以表示为维数w \times h \times c的矩阵，其中c是通道数，即3。
卷积层接收图像(w \times h \times c)作为输入，并作为输出生成维数w' \times h' \times c'的激活映射。卷积中的输入信道数为c，输出信道数为c'。
我的困惑是，如果c =2或3或4等，CNN会对数据的融合表示进行操作吗？还是一次在每个频道上运行，然后堆叠结果
浏览 0提问于2020-02-13得票数 2
回答已采纳
我有一个由0和1组成的二维数组，其中1表示四边形的边和内部，0表示外部的一切。找到四个角的坐标的最佳方法是什么？ 我使用的是Python，所以任何可以提供帮助的库都可以，但是任何语言的算法都会很有帮助。
浏览 21提问于2019-02-02得票数 0
回答已采纳
1回答
我很难弄清楚每个CNN层的尺寸是多少。
假设我的输入是一个向量，然后我用一个完全连接的层将它投影到4x4x256矩阵上。
zP = slim.fully_connected(
z,
4*4*256,
normalizer_fn=slim.batch_norm,
activation_fn=tf.nn.relu,
scope='g_project',
weights_initializer=initializer
)
# Layer is reshaped to a 4x4x256 mapping.
zCon = tf.resha
浏览 0提问于2018-09-05得票数 0
回答已采纳
2回答
高斯多峰曲线的平滑
、、、
我有一些光谱数据，一些非常尖锐的峰值，如蓝色曲线。我想让山峰更平滑一点，就像图中的橙色曲线。
我认为最简单的方法是将我的数据点与高斯人进行转换。我知道numpy和scipy都有convolve函数，但我不确定我是否需要一维或二维卷积来得到我所需要的。到目前为止，我尝试了convolve1d和gaussian_filter1d从scipy和convolve从numpy。他们都没有改进连接数据点的直线。我也不知道如何选择正确的西格玛或重量..。
包含数据点的文本文件是。
橙色曲线是由可视化程序生成的，我希望自己能够用python生成它，而不是使用该程序。
编辑：
的新链接
浏览 2提问于2020-11-09得票数 0
我想问一下2D图像上的Savitzky-Golay过滤器。
在图像中找到局部细节的最佳系数和顺序是什么？
而且，如果有人对系数有了一个解释，并给出了二维图像的顺序，那就太完美了。
提前感谢
浏览 3提问于2014-08-08得票数 1
回答已采纳
1回答
在随后的工作中，作者应用卷积递归神经网络(RNN)来预测二维图像序列表示的微结构的时空演化。特别是，他们应用某种3D-CNN和LSTM体系结构来预测晶体的生长：
📷
在上面的图片中，我们可以从一个测试用例中看到RNN预测(P)和地面真相(G)，其中RNN基于10个输入帧输出50帧。
现在，这对我来说是新的东西: RCNN如何能够生成图像作为输出？根据我(有限的)知识，唯一能够在输出中生成新图像的结构是生成对抗性网络，如GANs和卷积编解码神经网络(如VAE)，但显然作者通过将3D-Conv和RNN单元叠加在一起来实现这些结果。
你见过这种架构吗？
浏览 0提问于2022-01-18得票数 2
回答已采纳
1回答
来自我的健身指导：
二维高斯可以通过一维高斯与其转置的卷积形成。
这里是我的一维高斯函数：
def gauss1d(sigma, filter_length=11):
# INPUTS
# @ sigma : sigma of gaussian distribution
# @ filter_length : integer denoting the filter length
# OUTPUTS
# @ gauss_filter : 1D gaussian filter without normalization
rng
浏览 0提问于2021-04-12得票数 0
回答已采纳
2回答
他们要求我使用Python中的可分离过滤器实现2D高斯平滑。我不知道该怎么做。事实上，我不知道1D和2D高斯平滑的区别。我在哪里可以找到关于它的更多信息？
非常感谢
浏览 3提问于2013-02-17得票数 1
1回答
角化vgg 16形状误差
、、、、
我试图用以下形状拟合数据，使其符合预先训练过的keras vgg19模型。
图像输入形状是(32383, 96, 96, 3)，标签形状是(32383, 17)，我得到了这个错误
expected block5_pool to have 4 dimensions, but got array with shape (32383, 17)
在这条线
model.fit(x = X_train, y= Y_train, validation_data=(X_valid, Y_valid),
batch_size=64,verbose=2, epochs=epochs,c
浏览 4提问于2017-07-01得票数 3
回答已采纳
1回答
我有一个数据集，其中每个数据点由二维的5个视频组成，作为一个形状为(48,128,42,5)的numpy数组。(高度、宽度、帧、视频索引)。多个视频基本上是作为“切片”来获取一些关于深度的信息，尽管不是很完美。
我想使用Keras/Tensorflow创建一个用于回归的CNN，但Keras只有多达3维的内置卷积层。有没有在4维数据上执行卷积和最大池化的好方法？或者我需要使用Tensorflow创建自己的层？
浏览 17提问于2020-05-17得票数 1
回答已采纳
2回答
在MATLAB中为一维时间序列信号分类设计CNN时，得到了二维卷积层不以序列作为输入的误差。根据我的理解，完全有可能使用3x1过滤器来转换“数组”。为了解决这个问题，MATLAB建议使用“序列折叠层”。这样一个序列折叠层的功能是什么，如何改变体系结构？
我收到以下错误消息：
浏览 0提问于2021-02-03得票数 2
回答已采纳
对于Keras，我定义了
conv = Convolution2D(num_filters, ws, ws)(x)，
我的形状是x be (1, ?, 10, 1)
我遇到了问题
TypeError:不支持的操作数类型为*：'NoneType‘和'int’
由于卷积权矩阵应用于二维图像共享参数的每个窗口，所以在不知道图像的真实维数的情况下，至少对我来说是有效的。
浏览 0提问于2017-01-17得票数 0
Keras层文档指定了卷积层的输入和输出大小：
输入形状：(samples, channels, rows, cols)
输出形状：(samples, filters, new_rows, new_cols)
核大小是一个空间参数，即只确定宽度和高度。
因此，带有c通道的输入将产生带有filters通道的输出，而不管c的值如何。因此，它必须应用二维卷积与空间height x width滤波器，然后聚合结果为每个学习滤波器。
这个聚合操作符是什么？这是跨渠道的总结吗？我能控制它吗？我找不到关于Keras文档的任何信息。
注意，在TensorFlow中，过滤器也是在深度通道中指定的：，因此深度
浏览 3提问于2017-04-09得票数 54
回答已采纳
在python (使用numpy)中，如何最好地在一组数组(二维数组)中找到给定数组的出现次数？这是(简化的)我需要用python代码表达的内容：
patterns = numpy.array([[1, -1, 1, -1],
[1, 1, -1, 1],
[1, -1, 1, -1],
...])
findInPatterns = numpy.array([1, -1, 1, -1])
numberOfOccurrences = findNumberOfOccurrences(n
浏览 0提问于2013-05-06得票数 2
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
