Questions tagged «keras»

我试图调和对LSTM的理解，并在克里斯托弗·奥拉（Christopher Olah）在Keras中实现的这篇文章中指出了这一点。我正在关注Jason Brownlee为Keras教程撰写的博客。我主要感到困惑的是 将数据系列重塑为 [samples, time steps, features]和， 有状态的LSTM 让我们参考下面粘贴的代码专注于以上两个问题： # reshape into X=t and Y=t+1 look_back = 3 trainX, trainY = create_dataset(train, look_back) testX, testY = create_dataset(test, look_back) # reshape input to be [samples, time steps, features] trainX = numpy.reshape(trainX, (trainX.shape[0], look_back, 1)) testX = numpy.reshape(testX, (testX.shape[0], look_back, 1)) …

311 python  deep-learning  keras  lstm 

对于任何Keras层（Layer类），有人可以解释如何理解之间的区别input_shape，units，dim，等？ 例如，文档说units指定图层的输出形状。 在神经网络的图像下面hidden layer1有4个单位。这是否直接转换为对象的units属性Layer？还是units在Keras中等于隐藏层中每个权重的形状乘以单位数？ 简而言之，如何利用下面的图像来理解/可视化模型的属性，尤其是图层的属性？

261 neural-network  deep-learning  keras  keras-layer  tensor 

如果我想在Keras中使用BatchNormalization函数，那么是否仅需要在开始时调用一次？ 我为此阅读了该文档：http : //keras.io/layers/normalization/ 我看不到该怎么称呼它。下面是我尝试使用它的代码： model = Sequential() keras.layers.normalization.BatchNormalization(epsilon=1e-06, mode=0, momentum=0.9, weights=None) model.add(Dense(64, input_dim=14, init='uniform')) model.add(Activation('tanh')) model.add(Dropout(0.5)) model.add(Dense(64, init='uniform')) model.add(Activation('tanh')) model.add(Dropout(0.5)) model.add(Dense(2, init='uniform')) model.add(Activation('softmax')) sgd = SGD(lr=0.1, decay=1e-6, momentum=0.9, nesterov=True) model.compile(loss='binary_crossentropy', optimizer=sgd) model.fit(X_train, y_train, nb_epoch=20, batch_size=16, show_accuracy=True, validation_split=0.2, verbose = 2) 我问，因为如果我用第二行（包括批处理规范化）运行代码，而如果我不使用第二行运行代码，则会得到类似的输出。因此，要么我没有在正确的位置调用该函数，要么我猜它并没有太大的区别。

166 python  keras  neural-network  data-science  batch-normalization 

我正在尝试训练CNN以按主题对文本进行分类。当我使用二进制交叉熵时，我的精度约为80％，而使用分类交叉熵时，我的精度约为50％。 我不明白为什么会这样。这是一个多类问题，这是否意味着我必须使用分类交叉熵，而具有二进制交叉熵的结果却毫无意义？ model.add(embedding_layer) model.add(Dropout(0.25)) # convolution layers model.add(Conv1D(nb_filter=32, filter_length=4, border_mode='valid', activation='relu')) model.add(MaxPooling1D(pool_length=2)) # dense layers model.add(Flatten()) model.add(Dense(256)) model.add(Dropout(0.25)) model.add(Activation('relu')) # output layer model.add(Dense(len(class_id_index))) model.add(Activation('softmax')) 然后我将其categorical_crossentropy作为损失函数像这样编译它： model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) 要么 model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) 从直觉上讲，为什么我要使用分类交叉熵是合理的，我不明白为什么使用二进制得到好的结果，而使用分类不好的原因。

159 machine-learning  keras  neural-network  deep-learning  conv-neural-network 

我已经使用CNN训练了二进制分类模型，这是我的代码 model = Sequential() model.add(Convolution2D(nb_filters, kernel_size[0], kernel_size[1], border_mode='valid', input_shape=input_shape)) 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)) # (16, 16, 32) model.add(Convolution2D(nb_filters*2, kernel_size[0], kernel_size[1])) model.add(Activation('relu')) model.add(Convolution2D(nb_filters*2, kernel_size[0], kernel_size[1])) model.add(Activation('relu')) model.add(MaxPooling2D(pool_size=pool_size)) # (8, 8, 64) = (2048) model.add(Flatten()) model.add(Dense(1024)) model.add(Activation('relu')) model.add(Dropout(0.5)) model.add(Dense(2)) # define a binary classification problem model.add(Activation('softmax')) model.compile(loss='categorical_crossentropy', optimizer='adadelta', metrics=['accuracy']) model.fit(x_train, …

155 python  tensorflow  deep-learning  keras 

我已经用Keras建立了一个神经网络。我将通过Tensorboard可视化其数据，因此我利用了： keras.callbacks.TensorBoard(log_dir='/Graph', histogram_freq=0, write_graph=True, write_images=True) 如keras.io中所述。运行回调时，我得到了<keras.callbacks.TensorBoard at 0x7f9abb3898>，但是文件夹“ Graph”中没有任何文件。我使用此回调的方式有问题吗？

143 keras  tensorboard 

许多用户都将其作为切换到Pytorch的原因，但是我还没有找到牺牲/最渴望的实用质量，速度和执行力的理由/解释。 以下是代码基准测试性能，即TF1与TF2的对比-TF1的运行速度提高了47％至276％。 我的问题是：在图形或硬件级别上，什么导致如此显着的下降？ 寻找详细的答案-已经熟悉广泛的概念。相关的Git 规格：CUDA 10.0.130，cuDNN 7.4.2，Python 3.7.4，Windows 10，GTX 1070 基准测试结果： UPDATE：禁用每下面的代码不会急于执行没有帮助。但是，该行为是不一致的：有时以图形方式运行会有所帮助，而其他时候其运行速度要比 Eager 慢。 由于TF开发人员没有出现在任何地方，因此我将自己进行调查-可以跟踪相关Github问题的进展。 更新2：分享大量实验结果，并附有解释；应该在今天完成。 基准代码： # use tensorflow.keras... to benchmark tf.keras; used GPU for all above benchmarks from keras.layers import Input, Dense, LSTM, Bidirectional, Conv1D from keras.layers import Flatten, Dropout from keras.models import Model from keras.optimizers import Adam …

137 python  tensorflow  keras  performance-testing  tensorflow2.0 

sess = tf.Session()在Tensorflow 2.0环境中执行命令时，出现如下错误消息： Traceback (most recent call last): File "<stdin>", line 1, in <module> AttributeError: module 'tensorflow' has no attribute 'Session' 系统信息： 操作系统平台和发行版：Windows 10 python版本：3.7.1 Tensorflow版本：2.0.0-alpha0（随pip一起安装） 重现步骤： 安装： 点安装-升级点 pip install tensorflow == 2.0.0-alpha0 点安装keras 点安装numpy == 1.16.2 执行： 执行命令：将tensorflow导入为tf 执行命令：sess = tf.Session（）

131 python  tensorflow  keras  tensorflow2.0 

我正在运行Keras模型，提交截止日期为36小时，如果我在cpu上训练我的模型大约需要50个小时，是否可以在gpu上运行Keras？ 我正在使用Tensorflow后端，并在未安装anaconda的Jupyter笔记本上运行它。

125 python  tensorflow  keras  jupyter 

我正在尝试使用Google Colab中的IMDb数据集实现二进制分类示例。我以前已经实现了此模型。但是，几天后我再次尝试执行此操作时，它返回一个值错误：对于load_data（）函数，当allow_pickle = False时无法加载对象数组。 我已经尝试解决此问题，请参考一个类似问题的现有答案：如何修复sketch_rnn算法中的“当allow_pickle = False时无法加载对象数组”， 但事实证明，仅添加allow_pickle参数是不够的。 我的代码： from keras.datasets import imdb (train_data, train_labels), (test_data, test_labels) = imdb.load_data(num_words=10000) 错误： ValueError Traceback (most recent call last) <ipython-input-1-2ab3902db485> in <module>() 1 from keras.datasets import imdb ----> 2 (train_data, train_labels), (test_data, test_labels) = imdb.load_data(num_words=10000) 2 frames /usr/local/lib/python3.6/dist-packages/keras/datasets/imdb.py in load_data(path, num_words, skip_top, maxlen, …

113 python  numpy  keras 

我尝试了解LSTM以及如何使用Keras构建它们。我发现，主要有4种模式可以运行RNN（图中的4种正确模式） 图片来源：Andrej Karpathy 现在，我想知道在Keras中，每个代码的简约代码段看起来如何。所以像 model = Sequential() model.add(LSTM(128, input_shape=(timesteps, data_dim))) model.add(Dense(1)) 对于这4个任务中的每一个，也许需要一点解释。

108 machine-learning  neural-network  deep-learning  keras  recurrent-neural-network 

我试图了解该Flatten功能在Keras中的作用。下面是我的代码，它是一个简单的两层网络。它接收形状为（3，2）的二维数据，并输出形状为（1，4）的一维数据： model = Sequential() model.add(Dense(16, input_shape=(3, 2))) model.add(Activation('relu')) model.add(Flatten()) model.add(Dense(4)) model.compile(loss='mean_squared_error', optimizer='SGD') x = np.array([[[1, 2], [3, 4], [5, 6]]]) y = model.predict(x) print y.shape 打印出y形状为（1、4）的图形。但是，如果我删除该Flatten行，则会打印出y形状为（1、3、4）的行。 我不明白 根据我对神经网络的理解，该model.add(Dense(16, input_shape=(3, 2)))函数正在创建一个具有16个节点的隐藏的全连接层。这些节点中的每个都连接到3x2输入元素中的每个。因此，该第一层输出处的16个节点已经“平坦”。因此，第一层的输出形状应为（1、16）。然后，第二层将此作为输入，并输出形状为（1、4）的数据。 因此，如果第一层的输出已经“平坦”并且形状为（1，16），为什么还要进一步使其平坦？

108 machine-learning  tensorflow  neural-network  deep-learning  keras 

我正在使用Keras为我的项目训练神经网络。Keras提供了提前停止的功能。我是否知道应该观察哪些参数，以避免由于使用早期停止而使神经网络过度拟合？

97 python  keras  deep-learning  conv-neural-network 

Keras文档尚不清楚这到底是什么。我知道我们可以使用它来将输入要素空间压缩为较小的空间。但是，从神经设计的角度来看，这是怎么做的呢？它是自动编码器吗，RBM？

97 keras 

我安装了Tensorflow后端和CUDA的Keras。我有时想按需强迫Keras使用CPU。不用说在虚拟环境中安装单独的仅CPU的Tensorflow就能做到吗？如果可以，怎么办？如果后端是Theano，则可以设置标志，但是我还没有听说过可以通过Keras访问Tensorflow标志。

96 python  machine-learning  tensorflow  keras