1回答
我一直在尝试训练CNN来识别类型。使用(小) FMA数据集，使用librosa将每个30s歌曲片段转换为mel谱图。在训练时，即使在几个时期之后，准确率仍然下降到0,125 (相当于纯猜测(1/8))。那么我到底做错了什么呢？print('Test loss:', score[0])
model.save('genres.h
浏览 51提问于2019-04-28得票数 1
回答已采纳
场景:我一直在为cifar10数据集训练CNN。我使用的是tensorflow，还有一个CNN，它有12个conv层和1个密集层，在softmax稠密层之前。我正在使用数据增强以及批处理规范化。在几百个历次之后，我对验证集的准确率最高达到92.73 %。验证损失略有上升，因为我训练更多。一个时代给了我0.295的损失，验证的准确率为90.5%。我的最佳验证时间精度为92
浏览 0提问于2020-01-23得票数 3
回答已采纳
我在TensorFlow中使用具有两个卷积层的CNN，一个完全连接的层和一个线性层来预测对象的大小。标签是大小，特征是图像。两种方法的准确率都有所提高，但交叉验证准确率的提高速度较慢。考虑到精度上的差异是由于模型过拟合，我尝试使用L2正则化来正则化权重。但是，这只是降低了训练精度，而交叉验证精度的趋势保持不变。交叉验证准确率始终
浏览 3提问于2018-09-07得票数 0
1回答
我正在使用CNN在Chainer中对细胞图像进行分类。随着主/训练精度的提高，模型的验证精度也在下降。我想知道为什么验证准确率在下降，有什么方法可以提高验证准确率。我已经在除最后一层之外的所有层中应用了relu和dropout。在该模型中，即使在50个时期之后，训练和验证精度也是不变的。下面给出的模型显示主/训练精度从0.78逐渐增加到0.98
浏览 24提问于2019-01-08得票数 1
回答已采纳
2回答
我正在为分类任务训练CNN，我将数据集分成三个部分: 70%用于培训，15%用于验证，最后15%用于测试。我使用训练集来训练网络，并使用验证集来选择超参数。在完成了所有的工作之后，我使用测试集测试了我的模型，但是结果表明，该模型在测试集上的性能优于验证集(一个模型的准确率为85%，而另一个模型的准确率为80% )。
有可能吗，还是我做错了什么？由于我致力于提高模型在验证集上的性能，而在整个模型训练过
浏览 3提问于2018-03-10得票数 0
回答已采纳
1回答
问题是，尽管准确率接近80%，但它总是对给定的输入预测相同的类。
我训练我的CNN来检测两个班之间的区别。A类有2575个jpegs，B类有665个jpegs。这会不会导致我和我的CNN总是预测同一个班的问题？这是否是每个类中的#项之间的不平衡？一般来说，如果我使两个类的大小相同( 665个jpegs?)，我的性能会提高吗？
浏览 0提问于2017-08-14得票数 3
回答已采纳
1回答
下面是我的网络架构： cnn3 = Sequential()cnn3.add(MaxPooling2D((2, 2)))cnn3.add(Conv2D(64, kernel_size=(3, 3), activation='relu'))
浏览 25提问于2020-09-01得票数 0
回答已采纳
2回答
我一直在尝试使用tiny-dnn库来训练CNN进行数字识别。使用的数据库是NIST 19。每个班级的样本数量为1000个用于训练，30个用于测试。因此，用于训练的样本总数为1000*10=10000。如何提高精确度？
浏览 2提问于2018-04-12得票数 1
我尝试了不同的方法，如multinomialNB，支持向量机，MLPClassifier，CNN以及LSTM网络，来训练由推文和标签组成的数据集(五大类-开放，认真，外向，随和，神经质)。但即使使用word2vec，NRC特征和MRC特征，准确率也在60%左右。我能做些什么来提高准确性吗？
浏览 0提问于2018-06-15得票数 0
1回答
我已经在tensorflow中建立了一个CNN，用于对人和人之间的分类。我有相同数量的负面和正面训练数据，我将训练集中的图像随机化，我还在网络中使用dropout。问题是在训练过程中，在100步之后，小批量的准确率是40%，在200步时已经是85%。为什么增长如此之快？
浏览 1提问于2017-06-02得票数 0
1回答
我在CNN做图像分类，我有一套3200 imges的训练集和400张图像的训练集。我使用了两种不同的方法来完成这个分类:转移、学习和从头开始创建CNN。在转移学习的情况下，我的准确率为85%，而从零开始构建网络的准确率为89%。
但是通常一个小的数据集不应该传输精益有更好的性能？首先要考虑的是，我使用早期停止作为正则化技术，在迁移学习的情况下，这在18世纪停止了训练过程，而CNN从零开始我到达了10
浏览 0提问于2019-12-14得票数 1
回答已采纳
1回答
我有一个基于ResNet的深度CNN和一个数据集(10000，50,50,1)来对数字进行分类。当我运行它开始精简，准确性只是停留在一些值，并轻轻地(约0.2)。
浏览 0提问于2020-03-09得票数 2
回答已采纳
我使用来自Keras的cifar100数据集创建了一个CNN模型。在添加top_k_categorical_accuracy指标时，我应该看到前5个预测类中的一个是正确类的准确性。然而，当训练时，top_k_categorical_accuracy保持非常小，大约4-5%，因为准确性和验证准确率一直提高到40%-50%。前5名的准确率应该比正常的准确率高得多，但它给出的结果却非常奇怪。我使用不同的k值编写了我自己的度量标准，但仍然存在
浏览 6提问于2018-09-26得票数 1
1回答
我的工作是cnn模型，它有4个控制层和3个密集层。数据集有大约28000张图像和7000张测试图像。该模型节省了检查点，我对其进行了多次训练，到目前为止达到了60 %的准确率，同时训练学习率降低到2.6214403e-07 (正如我使用的ReduceLROnPlateau因子0.4)。我有疑问，如果我提高了学习率，比如说1e-4。然后继续训练它会对我的模型产生什么影响？是个好主意吗？
浏览 1提问于2020-09-22得票数 0
回答已采纳
我正在使用Pytorch，我在MNIST数据集上实现了一个CNN，它在训练和测试集上都具有99+%准确性。 我决定切换到时尚MNIST，以了解我的网络架构是如何执行的。我在训练集上获得了95%的准确率，在测试集上获得了91%的准确率。 然后，我开始尝试通过调整模型来提高性能。Optimizer: Stochastic Gradient Descent
Transformations: ToTensor() only
浏览 16提问于2019-03-21得票数 0
我有一个CNN，它训练几十万个例子，在一个时期后验证准确率达到95%左右。这是简单的代码，使用Keras定义使用Sequential API的网络。最初，我在TF 1.3上准备并使用了这个模型。当我将它移植到TF2.1，用tensorflow.keras替换keras调用时，它很快就达到了~60%，并停留在那里(似乎有很多时期)，训练损失似乎总是收敛到相同的值。如果我在脚本的顶部添加tf.disable_v2_behavior()，它会像以前一样训练。
浏览 240提问于2020-05-14得票数 2
1回答
我正在使用CNN对无线信号进行分类。同时，我遇到了一些奇怪的问题-当训练集准确率为80%时，我获得了79%的测试集准确率，但当trianset准确率为93%时，测试集准确率下降到了71%。net的细节是： CNN(512,(2,2),tanh) flatten() DNN(256,elu)
DNN(
浏览 38提问于2020-07-26得票数 0
我已经训练了支持向量机，细胞神经网络和神经网络上的UCF-101数据集，支持向量机和神经网络使用CSV文件的色调和LBP的特征，而CNN使用的分类图像和我想结合{支持向量机和CNN}和{ANN和CNNit.ANN是一个简单的网络与Softmax激活函数在输出和2个隐藏层，每个隐藏层8节点。对于CNN，我提取了图像的LBP特征并将其转换为图像。这些图像数据就是我用来训练CNN的。CNN网络分为输入层、卷积层、激活层、全连接层、丢包层(d
浏览 87提问于2019-05-15得票数 0
当我训练CNN对从0到9的扭曲数字图像进行分类时，训练集和测试集的精度都有了明显的提高。Epoch[0] Batch [500] Train-multi-accuracy_0=0.881900Epoch[3Batch [400] Train-multi-accuracy_0=0.105300
Epoch[3] Batch [500] Train-multi-accuracy_0=0.09
浏览 2提问于2017-05-24得票数 0
1回答
在使用验证准确性实现提前停止时，我有一个疑问。 假设我想要在验证精度在50个时期后没有提高时停止训练。然而，我可以在第二个epcoch中随机获得良好的验证准确性。例如： 准确度训练: 0.76准确率验证: 0.80 也许我没有得到更好的验证准确性，而准确性训练正在提高。因此，当我在训练中达到99%的准确率时，可能会发生训
浏览 10提问于2019-02-26得票数 1
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
云直播
腾讯会议活动推荐
腾讯云开发者
