Otázky a odpovědi týkající se programování - deep-learning

snažím se cvičil cnn model, ale opravdu nechápu, jak to udělat správně. jsem stále učení o tento druh věcí, takže jsem opravdu ztratil. Už jsem se snažil dělat věci s ním, ale stále nemůže dostat hlavu kolem něj. může mi někdo vysvětlit, jak to udělat správně. když se snažím, aby se vešly na vlak data do modelu se tato chyba objeví. WARNING:tensorflow:Model was constructed with shape (None, 224, 224, 3) for input KerasTensor(type_spec=TensorSpec(shape=(None, 224, 224, 3), dtype=tf.float32, name='input_1'), name='input_1', description="created by layer 'input_1'"...

Mám odstíny šedé obrázky z tohoto tvaru: x_train_grey.shape = (73257, 32, 32) Jsem určete první vrstva, jako je tento: Flatten(input_shape=(32,32,1)' Protože nechci projít batch_size a odstíny šedé obrázky mají pouze 1 kanál. Ale já se tuto chybu: ValueError: Error when checking input: expected flatten_1_input to have 4 dimensions, but got an array with shape (73257, 32, 32) Nechápu, co je špatně, prosím, pomozte. Chápu, že to byla požádána, mnohokrát, ale nemohu najít řešení. Na zdraví!

Uzavřen. Tato otázka nesplňuje Přetečení Zásobníku pokyny. To není v současné době přijímá odpovědi. Chcete zlepšit tuto otázku? Aktualizace otázku, takže to je na téma pro Přetečení Zásobníku. Uzavřená minulý měsíc. ...

To je klasická vizualizace perceptronového učení model s 1 neuron. Řekněme, že bych chtěl použít 3 neuron nebo 5 neuron pro trénink, lze to udělat i bez skryté vrstvy ? Já si jen nedovedu představit, v mé hlavě. Zde je kód; import numpy as np def tanh(x): return (np.exp(x)-np.exp(-x))/(np.exp(x)+np.exp(-x)) def tanh_derivative(x): return 1-x**2 #inputs training_inputs = np.array([[0,0,0],[0,0,1],[0,1,0],[0,1,1],[1,0,0],[1,0,1],[1,1,0],[1,1,1]]) #outputs training_outputs =np.array([[1,0,0,1,0,1,1,0]]).T #3 input 1 output // syna...

Snažím se psát po částech aktivační funkce, jejíž sklon mezi -6 a 0 je 0,1 a ostatní místa jsou jedním. A vstupní(X), size (B, C, H, W). Takže jsem dospěl k závěru, že nejlepší způsob je jednoduchý řádek kódu: x[-6<x and x<0] = x[-6<x and x<0] * 0.1 Ale jsem čelit tuto chybu: RuntimeError: bool value of Tensor with more than one value is ambiguous Existuje nějaké řešení pro řešení této chyby?

Mohu použít e AveragePooling2D vrstva s pool_size rovná velikosti funkce mapy místo GlobalAveragePooling2D vrstva? účelem je nahradit hustou vrstvu po FCN. JE GlobalAveragePooling2D zvláštní případ AveragePooling2D??

Já jsem učení Tensorflow a snažím se vytvořit klasifikátor na Módní datové sady MNIST. Můžu se vešly model, ale když jsem se snaží předpovědět, na můj test setu jsem se následující chybová zpráva: y_pred = model.predict(X_test).argmax(axis=1) InvalidArgumentError: ConcatOp : Dimensions of inputs should match: shape[0] = [1,32,10] vs. shape[312] = [1,16,10] [Op:ConcatV2] name: concat Nechápu chybu, pokud jsem předvídat na X_test v dávkách, například: y_pred = [] step_size = 10 for i in trange(0, len(X_test), step_size): y_pred += model.predict(X_test[i:i+step_size]).a...

Mám problém s tréninkem můj multi vstupní model. Postavil jsem to s následující kus kódu: def create_covn_layers(input_layer): input = layers.Conv2D(32, (3,3), input_shape=get_img_input_shape(True))(input_layer) covn01 = layers.Conv2D(32, (3, 3))(input) acti01 = layers.Activation('relu')(covn01) pool01 = layers.MaxPooling2D((2, 2))(acti01) covn02 = layers.Conv2D(64, (3, 3))(pool01) acti02 = layers.Activation('relu')(covn02) pool02 = layers.MaxPooling2D(2, 2)(acti02) covn03 = layers.Conv2D(128, (3, 3))(pool02) acti02 = layers.Activation...

Jak se správně dostat na vzdálenost obrazu vkládání proti seznam/skupiny pro další vkládání obrázků? Mám pretrained model, který jsem pomocí extrahovat embeddings z obrázků, a chtěl bych se dostat na vzdálenost obrazu proti několika dalších obrazů, tj. Embedding (1028,) against Embedding (5, 1028) Snažím se udělat obrázek podobnosti experiment, kde im pomocí Kosinová podobnost metrické od Tensorflow vypočítat vzdálenost mezi dvěma vkládání, a to funguje dobře, na 1-na-1 výpočet tj. Embedding_1 = (1028,) Embedding_2 = (1028,) metrics.CosineSimilarity(Embedding_1, Embeddi...

[Chyba nastat s karasem a pomocí EfficientNetTo je chyba, já mám ]2 Zkoušel jsem: - import tensorflow.python.keras.utils jako generic_utils nainstalován segmentace-modely také

Tady je můj kód: import tensorflow as tf from tensorflow.keras.optimizers import RMSprop from tensorflow.keras.preprocessing.image import ImageDataGenerator model = tf.keras.models.Sequential([ tf.keras.layers.Conv2D(16, (3,3), activation='relu', input_shape=(150, 150, 3)), tf.keras.layers.MaxPooling2D(2,2), tf.keras.layers.Conv2D(32, (3,3), activation='relu'), tf.keras.layers.MaxPooling2D(2,2), tf.keras.layers.Conv2D(64, (3,3), activation='relu'), tf.keras.layers.MaxPooling2D(2,2), tf.keras.layers.Flatten(), tf.keras.layers.Dense(512, act...

Chci postavit model dobarvit obrázek, snažil jsem se spustit tento kód, ale já jsem tváří v tvář Neslučitelné tvary: [3,256,256,2] vs. [3,150,150,2] chyba. #CNN model from keras.layers import Conv2D, Conv2DTranspose, UpSampling2D from keras.layers import Activation, Dense, Dropout, Flatten, InputLayer from tensorflow.keras.layers import ( BatchNormalization, SeparableConv2D, MaxPooling2D, Activation, Flatten, Dropout, Dense ) from keras.callbacks import TensorBoard, ModelCheckpoint from keras.models import Sequential model = Sequential() #Input Layer model.add(Con...

Chci realizovat své vlastní datagenerator pro multi-vstup keras model jsem postavil za použití funkční api od keras. Četl jsem hodně o pořadí třídy a, jak jsem se může rozšířit funkčnost jsem různé způsoby. Můj dataset jsem silně nevyvážené, obsahující 3 třídy. Co chci dosáhnout, je vytvořit vlastní datagenerator který používá flowfromdataframe. Tento datovém obsahuje cesty k obrázkům. Tím, že omezují počet obrazových cesty od nadměrně zastoupené třídy directory můžu úspěšně undersample a tím rovnováhu dataset. Datovém strukturu: Nicméně zbývající obrázky jsem odejít j...

Jsem jen vědět, jak použít vestavěný-in sítě, jako RNN z LSTM v PyTorch. Ale mají tendenci se vypořádat s každý uzel v předchozí vrstvu, která bude poskytovat informace pro všechny uzly v další vrstvě. Já chci dělat něco jiného, ale nevím, jak se kód sám. Jako na tomto obrázku: uzel a mapy pro všechny [d, e, f] tři uzly ve vrstvě 2, zatímco uzel b mapy na [e,f] a uzel c pouze mapy [f]. Jako výsledek, uzel d bude obsahovat pouze informace z a, zatímco e bude obsahovat informace z [a, b]. A f bude obsahovat informace ze všech uzlů v předchozí vrstvy. Ví někdo, jak se kód t...

Používám CNN a MobileNet modely postavit model ke klasifikaci znakového jazyka, aby se písmena abecedy na základě obrázků datové sady. Takže, to je multi-class classification model. Nicméně, po sestavení a montáž modelu. Mám vysokou přesností (98%). Ale když chci představit zmatek matrix mám opravdu chyběl matrix. Znamená to, že model je overfitting? a jak to mohu opravit to, aby si lépe matrix? train_path = 'train' test_path = 'test' train_batches = ImageDataGenerator(preprocessing_function=tf.keras.applications.mobilenet.preprocess_input).flow_from_directory( dir...

Snažím se vytvořit model pro Quora otázky dvojice dataset, kde výstup je binární, buď 1 nebo 0, ale já se tuto chybu. Vím, že výstupní tvaru modelu se liší od vstupní tvar, ale nevím, jak to opravit. Velikost šarže je nastavena na 16 class Bert_model (nn.Module): def __init__(self) : super(Bert_model,self).__init__() self.bert = BertModel.from_pretrained('bert-base-uncased', return_dict=False) self.drop_layer = nn.Dropout(.25) self.output = nn.Linear(self.bert.config.hidden_size,1) def forward(self,input_ids,attention...

Já jsem pracoval na budování LSTM založené seq2seq věta - sloty řešení. Například: Vstupní větu: Mé jméno je James Bond Výstupní Slot: O O O B-jméno I-název Nejsem schopen přijít na důvod pro níže uvedené chyby: IndexError: index out of range in self > <ipython-input-37-19283c592e18>(12)<module>() 10 set_trace() 11 inputs = torch.tensor(training_data[0][0]) ---> 12 tag_scores = model(inputs) 13 print(tag_scores) Když se snažím spustit následující kód class LSTMTagger(nn.Module): def __init__(self, embedding_dim, hidd...

Mám velké třídy, které vypadá jako následující: class Trainer: def __init__(self, name, age, height, weight): self.name = name self.age = age self.height = height self.weight = weight def fit(self, dataloader): ....DO MODEL TRAINING... self.save(path=xxx) self.load(path=xxx) def save(self, path): self.model.eval() torch.save(self.model.state_dict(), path) @staticmethod def load(path: str): """Load a model checkpoint from the given pat...

Našel jsem DepthwiseConv2D třídy zde. To používá unikátní jádro pro každý kanál vstupního obrazu. Ale je možné použít stejné jádro pro všechny kanály?(tj. Parametr sdílení v rámci vrstvy)

Je možné, že v tensorflow.keras mít dva vstupy do stejné conv vrstvy a přijímat výstupy, z nichž každý odpovídá jednomu ze vstupů?(jsem.e: pomocí stejných filtrů pro dvou paralelních cest)

Nový NN. CNN může být vyškoleni k detekci jednoho objektu v obrázku. Nicméně, co když nějaký obraz v dataset může obsahovat libovolné n # objektů. To může představovat problém CNNs jako výstupní hustá vrstva musí být pevné velikosti? Jak by se ti vyřešit tento problém? Například: Řekněme, že jsem náhodně vybraných 2 obrázky z této sady. Obrázek 1 má 2 objekty a obrázku 2 má 5 objektů. Y označení pro img1 by obsahovat vymezovací rámeček souřadnice pro 2 objekty; y označení pro img2 by obsahovat souřadnice pro 5 objektů-mnohem větší, y vektor, než img1. Možné řešení? : Já ...

Byl jsem zvědavý, jestli Frechet vzniku vzdálenost pro dva barevné datové soubory by být stejné, než FID počítány pro stejné datové soubory převedeny na stupně šedi

Snažím se trénovat DNN model pomocí pytorch, a chci použít GPU trénovat můj model. Jsem schopen úspěšně kopírovat model do GPU pomocí model.to(device), kde device = cuda:0. Nicméně, standardní metody pro kopírování vstupu na GPU, (RuntimeError: typ Vstupu (pochodeň.FloatTensor) a hmotnosti typ (pochodeň.cuda.FloatTensor) by měly být stejné), to znamená, X.to(device) a X.cuda() není mi dát požadovaný výstup. Následující je metoda v současné době jsem provádění: def train_loop(self, dataloader, device): size = len(dataloader.dataset) for batch, (X, y) in enumerate(...

Já jsem pracoval na klasifikaci problém s obrazem dataset, má 11 tříd. To obsahuje celkem 11 000 obrázků, s každou třídu s 1000 obrázky, uložené složky-moudrý (11 složek). Dataset je o velikosti 40 MB. Poté, co jsem nahrát data z disku google do collab( což vlastně trvá nějaký čas) a pre-procesu to před krmením to, aby model, paměť collab stává 95% plná okamžitě. Když jsem začít trénovat, collab pády, a runtime je obnovit. To se nestane, když jsem použít Keras toku dat-z-adresář funkce. Jsem schopen najít řešení. Screenshot

Uzavřen. Tato otázka nesplňuje Přetečení Zásobníku pokyny. To není v současné době přijímá odpovědi. Chcete zlepšit tuto otázku? Aktualizace otázku, takže to je na téma pro Přetečení Zásobníku. Uzavřená minulý měsíc. ...

Jsem nový Hluboké Učení a udělal jsem model, který předstírá, luxusní a 14x14 obraz na 28x28. Za to, že jsem trénoval newtork pomocí MNIST úložiště jako první pokus o vyřešení tohoto problému. Pro výrobu modelu struktury sledoval jsem tento dokument: https://arxiv.org/pdf/1608.00367.pdf import numpy as np from tensorflow.keras import optimizers from tensorflow.keras import layers from tensorflow.keras import models import os import cv2 from tensorflow.keras.callbacks import TensorBoard from tensorflow.keras import initializers import matplotlib.pyplot as plt import pickl...

Jsem stále chybu Error in eval(predvars, data, env) : object 'B' not foundNejsem si jistý, jak to udělat tento řádek: nn <- neuralnet(B+M~ area+texture+smoothness, data=cancertrain, hidden=3, B+M jsou dvě možné hodnoty, a to buď benigní nebo maligní, a tři atributy, které mají větší dopad na stanovení jsou oblasti, textury a hebkost. Předpokládám, že mám jen parametry ve funkci neuralnet provádí nesprávně, ví někdo? Tady je rakovina údajů ve veřejném tabulky Google. library(neuralnet) library(ISLR) library(rpart) library(rpart.plot) library(caTools) library(random) ...

Mám neuronové sítě, které výstupy output. Chci transformovat output před ztrátou a backpropogation stát. Tady je můj obecné kód: with torch.set_grad_enabled(training): outputs = net(x_batch[:, 0], x_batch[:, 1]) # the prediction of the NN # My issue is here: outputs = transform_torch(outputs) loss = my_loss(outputs, y_batch) if training: scheduler.step() loss.backward() optimizer.step() Mám transformace funkce, kter...

Mám problémy s použitím Dat Prsou při školení modelu. Konkrétně o použití fit_generator() metoda. Já jsem původně běžet můj model úspěšně bez prsou pomocí fit() metoda, nicméně podle jiné je doporučeno používat fit_generator(). Zdá se, jako by obě metody potřebují stejné vstupní když přijde na obrázky a popisky, ale já jsem dostat následující CHYBU při spuštění následující kód: --------------------------------------------------------------------------- TypeError Traceback (most recent call last) /tmp/ipykernel_35/139227558.py in <module...

Mám za sebou neuronové sítě, přičemž výstup první síť, se stal vstup z druhé sítě. První neuronové sítě je pretrained tak jsem jen nahodit to s těmi pretrained závaží. Nicméně, chci zmrazit první neuronové sítě tak, že při vzdělávání svých pouze aktualizace závaží druhé neuronové sítě. Jak to mám udělat, že? Moje síť vypadá: ###First network class LambdaBase(nn.Sequential): def __init__(self, fn, *args): super(LambdaBase, self).__init__(*args) self.lambda_func = fn def forward_prepare(self, input): output = [] for module in self...