Questions tagged «keras»

什么是利弊Keras和TFlearn？一个图书馆何时比另一个图书馆更受青睐？

18 machine-learning  keras  tflearn 

我是机器学习和keras的新手，现在正在使用keras处理多类图像分类问题。输入的是带标签的图像。经过一些预处理后，训练数据在Python列表中表示为： [["dog", "path/to/dog/imageX.jpg"],["cat", "path/to/cat/imageX.jpg"], ["bird", "path/to/cat/imageX.jpg"]] “狗”，“猫”和“鸟”是类标签。我认为应该使用一站式编码解决此问题，但是我对如何处理这些字符串标签不是很清楚。我已经尝试过sklearn的LabelEncoder（）： encoder = LabelEncoder() trafomed_label = encoder.fit_transform(["dog", "cat", "bird"]) print(trafomed_label) 输出是[2 1 0]，这与我对[[1,0,0]，[0,1,0]，[0,0,1]]之类的东西的期望输出不同。可以通过一些编码来完成，但是我想知道是否有某种“标准”或“传统”方式来处理它？

18 machine-learning  scikit-learn  tensorflow  keras  encoding 

我是神经网络的新手，但是我相当了解线性代数和卷积数学。 我试图理解我在网上各个地方找到的示例代码，用于训练带有MNIST数据的Keras卷积NN以识别数字。我的期望是，当我创建卷积层时，必须指定一个过滤器或一组过滤器以应用于输入。但是我发现的三个样本都创建了一个这样的卷积层： model.add(Convolution2D(nb_filter = 32, nb_row = 3, nb_col = 3, border_mode='valid', input_shape=input_shape)) 这似乎将总共32个3x3滤镜应用于CNN处理的图像。但是那些过滤器是什么？我将如何数学描述它们？keras文档没有帮助。 提前致谢，

18 convnet  keras 

来自Keras RNN教程的文章：“ RNN 很棘手。批大小的选择很重要，损耗和优化器的选择很重要，等等。某些配置无法融合。” 因此，这是关于在Keras上调整LSTM-RNN的超参数的一个普遍问题。我想知道一种为您的RNN查找最佳参数的方法。 我从Keras'Github上的IMDB示例开始。 主要模型如下： (X_train, y_train), (X_test, y_test) = imdb.load_data(nb_words=max_features, test_split=0.2) max_features = 20000 maxlen = 100 # cut texts after this number of words (among top max_features most common words) batch_size = 32 model = Sequential() model.add(Embedding(max_features, 128, input_length=maxlen)) model.add(LSTM(128)) model.add(Dropout(0.5)) model.add(Dense(1)) model.add(Activation('sigmoid')) # try using …

18 python  neural-network  deep-learning  keras  hyperparameter 

在Keras中进行培训val_loss与loss进行培训有什么区别？ 例如 Epoch 1/20 1000/1000 [==============================] - 1s - loss: 0.1760, val_loss: 0.2032 在某些网站上，我读到在验证时，辍学不起作用。

18 machine-learning  deep-learning  keras 

在https://keras.io/models/sequential/上记录了Keras顺序模型拟合函数中的验证拆分： validation_split：在0到1之间浮动。要用作验证数据的训练数据的分数。模型将分开训练数据的这一部分，不对其进行训练，并且将在每个时期结束时评估此数据的损失和任何模型度量。在改组之前，从提供的x和y数据中的最后一个样本中选择验证数据。 请注意最后一行： 在改组之前，从提供的x和y数据中的最后一个样本中选择验证数据。 这是否意味着验证数据始终是固定的，并且取自主数据集的底部？ 有什么办法可以从主数据集中随机选择给定的数据部分？

17 keras  data  cross-validation 

我corr()用原始df 创建了df。该corr()DF出来70×70，这是不可能的可视化热图... sns.heatmap(df)。如果我尝试显示corr = df.corr()，则表格不适合屏幕，并且我可以看到所有相关性。它是打印整个df大小而不管其大小还是控制热图大小的方法吗？

17 visualization  pandas  plotting  machine-learning  neural-network  svm  decision-trees  svm  efficiency  python  linear-regression  machine-learning  nlp  topic-model  lda  named-entity-recognition  naive-bayes-classifier  association-rules  fuzzy-logic  kaggle  deep-learning  tensorflow  inception  classification  feature-selection  feature-engineering  machine-learning  scikit-learn  tensorflow  keras  encoding  nlp  text-mining  nlp  rnn  python  neural-network  feature-extraction  machine-learning  predictive-modeling  python  r  linear-regression  clustering  r  ggplot2  neural-network  neural-network  training  python  neural-network  deep-learning  rnn  predictive-modeling  databases  sql  programming  distribution  dataset  cross-validation  neural-network  deep-learning  rnn  machine-learning  machine-learning  python  deep-learning  data-mining  tensorflow  visualization  tools  sql  embeddings  orange  feature-extraction  unsupervised-learning  gan  machine-learning  python  data-mining  pandas  machine-learning  data-mining  bigdata  apache-spark  apache-hadoop  deep-learning  python  convnet  keras  aggregation  clustering  k-means  r  random-forest  decision-trees  reference-request  visualization  data  pandas  plotting  neural-network  keras  rnn  theano  deep-learning  tensorflow  inception  predictive-modeling  deep-learning  regression  sentiment-analysis  nlp  encoding  deep-learning  python  scikit-learn  lda  convnet  keras  predictive-modeling  regression  overfitting  regression  svm  prediction  machine-learning  similarity  word2vec  information-retrieval  word-embeddings  neural-network  deep-learning  rnn 

有人可以在每个时期后使用回调函数发布一个简单的Keras示例来保存模型吗？我可以找到节省权重的示例，但是我希望能够在每次训练之后都保存一个功能完整的模型。

17 python  keras 

我知道keras充当TensorFlow的高级接口。 但是在我看来，keras可以自己完成许多功能（数据输入，模型创建，训练，评估）。 此外，TensorFlow的某些功能可以直接移植到keras（例如，可以在keras中使用tf度量或损失函数）。 我的问题是，TensorFlow提供了哪些无法在keras中复制的功能？

16 keras  tensorflow 

在Keras从头开始培训卷积网络的博客中，代码仅显示了运行在培训和验证数据上的网络。那测试数据呢？验证数据是否与测试数据相同（我认为不是）。如果在与train和validation文件夹相似的行上有一个单独的测试文件夹，我们如何获得测试数据的混淆矩阵。我知道我们必须使用scikit Learn或其他软件包来执行此操作，但是如何从类明智的测试数据概率中获取一些信息呢？我希望将其用于混淆矩阵。

16 machine-learning  python  deep-learning  keras  confusion-matrix 

fit()和fit_generator()Keras 和有什么不一样？ 什么时候应该使用fit()vs fit_generator()？

16 deep-learning  keras 

这篇文章似乎表明我想完成的事情是不可能的。但是，我不相信这一点-鉴于我已经做过，我不明白为什么我想做的事情无法实现... 我有两个图像数据集，其中一个具有形状（480、720、3）的图像，而另一个具有形状（540、960、3）的图像。 我使用以下代码初始化了一个模型： input = Input(shape=(480, 720, 3), name='image_input') initial_model = VGG16(weights='imagenet', include_top=False) for layer in initial_model.layers: layer.trainable = False x = Flatten()(initial_model(input)) x = Dense(1000, activation='relu')(x) x = BatchNormalization()(x) x = Dropout(0.5)(x) x = Dense(1000, activation='relu')(x) x = BatchNormalization()(x) x = Dropout(0.5)(x) x = Dense(14, activation='linear')(x) model = Model(inputs=input, …

15 keras 

我建立了一个LSTM模型来预测Quora官方数据集上的重复问题。测试标签为0或1。1表示问题对重复。使用建立模型后model.fit，我将model.predict在测试数据上使用模型进行测试。输出是一个值数组，如下所示： [ 0.00514298] [ 0.15161049] [ 0.27588326] [ 0.00236167] [ 1.80067325] [ 0.01048524] [ 1.43425131] [ 1.99202418] [ 0.54853892] [ 0.02514757] 我只显示数组中的前10个值。我不明白这些值是什么意思，每个问题对的预计标签是什么？

14 machine-learning  python  neural-network  keras  lstm 

如果删除一些神经元会产生更好的性能模型，为什么不首先使用层数更少，神经元更少的简单神经网络呢？为什么要在开始时建立一个更大，更复杂的模型，而在以后取消它的一部分呢？

13 machine-learning  deep-learning  keras  regularization  dropout 

我很难解释一对一（例如，单个图像的分类）和多对多（例如，图像序列的分类）序列标签的Keras编码差异。我经常看到两种不同的代码： 类型1是没有应用TimeDistributed的地方，如下所示： model=Sequential() model.add(Convolution2D(nb_filters, kernel_size[0], kernel_size[1], border_mode="valid", input_shape=[1, 56,14])) model.add(Activation("relu")) model.add(Convolution2D(nb_filters, kernel_size[0], kernel_size[1])) model.add(Activation("relu")) model.add(MaxPooling2D(pool_size=pool_size)) model.add(Reshape((56*14,))) model.add(Dropout(0.25)) model.add(LSTM(5)) model.add(Dense(50)) model.add(Dense(nb_classes)) model.add(Activation("softmax")) 类型2是应用TimeDistributed的地方，如下所示： model = Sequential() model.add(InputLayer(input_shape=(5, 224, 224, 3))) model.add(TimeDistributed(Convolution2D(64, (3, 3)))) model.add(TimeDistributed(MaxPooling2D((2,2), strides=(2,2)))) model.add(LSTM(10)) model.add(Dense(3)) 我的问题是： 我的假设是正确的，类型1是一对多类型，类型2是多对多类型吗？还是TimeDistributed在这方面没有关联？ 在一对多或多对多的情况下，最后一个密集层应为1个节点“长”（依次仅发出一个值）， 而先前的循环层负责确定有多少个 1长发射的价值？或者最后一个密集层应该由N个节点组成，其中N=max sequence length？如果是这样， 当我们可以 使用N个并行“原始”估计量产生具有多个输出的相似输入时，在这里使用RNN 有什么意义？ 如何定义RNN中的时间步数？它是某种程度上 与输出序列长度相关，还是只是 需要调整的超参数？ 上面我的Type …

13 keras  rnn  lstm  sequence