Questions tagged «deep-learning»

我正在尝试为python中的tensorflow变量分配一个新值。 import tensorflow as tf import numpy as np x = tf.Variable(0) init = tf.initialize_all_variables() sess = tf.InteractiveSession() sess.run(init) print(x.eval()) x.assign(1) print(x.eval()) 但是我得到的输出是 0 0 因此该值没有改变。我想念什么？

78 python  tensorflow  neural-network  deep-learning  variable-assignment 

如何计算PyTorch模型中的参数总数？类似于model.count_params()Keras。

77 deep-learning  pytorch 

关闭。此问题不符合堆栈溢出准则。它当前不接受答案。 想改善这个问题吗？更新问题，使其成为Stack Overflow的主题。 2年前关闭。 改善这个问题 我正在寻找一种有关如何计算层数和每层神经元数的方法。作为输入，我只有输入向量的大小，输出向量的大小和训练集的大小。 通常，最好的网络是通过尝试不同的网络拓扑并选择误差最小的网络来确定的。不幸的是我不能那样做。

76 machine-learning  neural-network  deep-learning  artificial-intelligence 

我是卷积神经网络的新手，只是对特征图以及如何在图像上进行卷积以提取特征有所了解。我很高兴知道在CNN中应用批处理规范化的一些细节。 我阅读了https://arxiv.org/pdf/1502.03167v3.pdf这篇论文，可以理解对数据应用的BN算法，但最后他们提到在对CNN进行应用时需要稍作修改： 对于卷积层，我们还希望归一化服从卷积属性-以便以相同的方式对同一要素图的不同元素在不同位置进行归一化。为了实现这一目标，我们在所有位置上以小批量的方式联合标准化了所有激活。在Alg。在图1中，我们将B作为特征图上所有小批量和空间位置的所有值的集合–因此，对于大小为m的小批量和大小为p×q的特征图，我们使用effec -大小为m'= | B |的小批量生产 = m·pq。我们每个特征图而不是每个激活都学习一对参数γ（k）和β（k）。海藻 对图2进行类似的修改，以便在推理期间BN变换将相同的线性变换应用于给定特征图中的每个激活。 当他们说“要以相同的方式对同一要素图的不同元素在不同位置进行标准化时，我完全感到困惑 ” 我知道要素地图的含义，每个要素地图中的权重都是不同的元素。但是我不明白什么是位置或空间位置。 我根本无法理解下面的句子 “在Alg。1中，我们让B为跨越小批量和空间位置的要素的要素图中所有值的集合” 如果有人能用更简单的方式详细阐述并向我解释，我将感到非常高兴

73 machine-learning  computer-vision  deep-learning  conv-neural-network  batch-normalization 

即使我不是神经网络和深度学习的专家（仅仅是基础知识），我也在研究TensorFlow及其使用方法。 在后续教程中，我不了解这三种损失优化器之间的实际差异和实际差异。我看了一下API并了解了这些原理，但是我的问题是： 1.什么时候最好使用一个而不是另一个？ 2.是否有重要的区别要知道？

72 tensorflow  deep-learning 

假设我想编写一个符合tf.kerasAPI 的自定义优化器类（使用TensorFlow版本> = 2.0）。我对文档记录的执行方式与实现中的执行方式感到困惑。 有关tf.keras.optimizers.Optimizer 状态的文档， ### Write a customized optimizer. If you intend to create your own optimization algorithm, simply inherit from this class and override the following methods: - resource_apply_dense (update variable given gradient tensor is dense) - resource_apply_sparse (update variable given gradient tensor is sparse) - create_slots …

30 python  tensorflow  deep-learning  tf.keras  tensorflow2.x 

我正在尝试从原始资源Andrej Karpathy Blog中重新创建非常简单的Policy Gradient示例。在该文章中，您将找到带有CartPole和Policy Gradient以及重量和Softmax激活列表的示例。这是我重新创建的非常简单的CartPole政策梯度示例，效果很好。 import gym import numpy as np import matplotlib.pyplot as plt from sklearn.preprocessing import PolynomialFeatures import copy NUM_EPISODES = 4000 LEARNING_RATE = 0.000025 GAMMA = 0.99 # noinspection PyMethodMayBeStatic class Agent: def __init__(self): self.poly = PolynomialFeatures(1) self.w = np.random.rand(5, 2) def policy(self, state): z = state.dot(self.w) …

19 python  machine-learning  math  deep-learning  reinforcement-learning 

我有多个图像图，所有图像图都包含字母数字字符标签，而不仅仅是文本标签本身。我希望我的YOLO模型能够识别其中存在的所有数字和字母数字字符。 我该如何训练我的YOLO模型做同样的事情。数据集可以在这里找到。https://drive.google.com/open?id=1iEkGcreFaBIJqUdAADDXJbUrSj99bvoi 例如：请参阅边界框。我希望YOLO可以检测出文本的任何位置。但是，当前无需识别其中的文本。 这些类型的图像也需要做同样的事情 图像可以在这里下载 这是我使用opencv尝试过的方法，但不适用于数据集中的所有图像。 import cv2 import numpy as np import pytesseract pytesseract.pytesseract.tesseract_cmd = r"C:\Users\HPO2KOR\AppData\Local\Tesseract-OCR\tesseract.exe" image = cv2.imread(r'C:\Users\HPO2KOR\Desktop\Work\venv\Patent\PARTICULATE DETECTOR\PD4.png') gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)[1] clean = thresh.copy() horizontal_kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (15,1)) detect_horizontal = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, horizontal_kernel, iterations=2) cnts = cv2.findContours(detect_horizontal, cv2.RETR_EXTERNAL, …

12 python  opencv  machine-learning  deep-learning  yolo 

我有此图像，其中包含文本（数字和字母）。我想获取此图像中存在的所有文本和数字的位置。我也想提取所有文本。 如何获取图像中的坐标以及所有文本（数字和字母）。例如10B，44、16、38、22B等

11 python  opencv  machine-learning  image-processing  deep-learning 

我正在使用在tensorflow v2中定义为子模块的keras。我正在使用fit_generator()方法训练模型。我想每10个时间保存一次模型。我该如何实现？ 在Keras（不是tf的子模块）中，我可以给出ModelCheckpoint(model_savepath,period=10)。但在TF V2，他们已经改变了这ModelCheckpoint(model_savepath, save_freq)地方save_freq可'epoch'在这种情况下，模型保存每个时间段。如果save_freq为整数，则在处理了许多样本后将保存模型。但我希望在10个时代之后。我该如何实现？

10 python  keras  deep-learning  tensorflow2.0  tf.keras 

我正在学习将Gekko的大脑模块用于深度学习应用程序。 我一直在建立一个神经网络来学习numpy.cos（）函数，然后产生相似的结果。 当我的训练范围是： x = np.linspace(0,2*np.pi,100) 但是，当我尝试将范围扩展到以下内容时，模型崩溃了： x = np.linspace(0,3*np.pi,100) 我需要在神经网络中进行哪些更改以增加模型的灵活性，使其适用于其他范围？ 这是我的代码： from gekko import brain import numpy as np import matplotlib.pyplot as plt #Set up neural network b = brain.Brain() b.input_layer(1) b.layer(linear=2) b.layer(tanh=2) b.layer(linear=2) b.output_layer(1) #Train neural network x = np.linspace(0,2*np.pi,100) y = np.cos(x) b.learn(x,y) #Calculate using trained nueral …

9 neural-network  deep-learning  gekko