)，即使用现有的预测器在最后一个密集层之前生成特征，保存它们，然后使用这些特征作为输入训练一个新的密集层。第二种方法是用新的致密层替换模型的最后一层，然后冻结模型中的所有其他层。
我希望第二种方法和第一种方法一样有效，但事实并非如此。open('r
浏览 14提问于2017-03-07得票数 5
回答已采纳
1回答
关于Keras迁移学习的探讨
、、、、
我目前正在一个基于传感器的活动数据集上进行迁移学习，我尝试了两种方法来迁移之前在另一个数据集上训练过的模型。转移的第一种方法是加载训练模型，切断最后一个密集和softmax分类层，添加新的密集层和softmax层(对应于新类的数量)，冻结除新添加的层之外的每
浏览 5提问于2020-06-15得票数 0
我正在尝试使用预先训练的Bert模型的tensorflow，它有约1.1亿帕拉姆，这是几乎不可能训练这些副秘书长使用我的gpu。整个层的冻结使得所有这些参数都无法训练。
是否有可能使该层部分可培训？就像有几百万个平行线是可以训练的，而其余的则是无法训练的？
浏览 4提问于2022-03-25得票数 0
3回答
我正在尝试微调来自卡格尔核的一些代码。该模型使用预先训练的VGG16权重(通过'imagenet')进行迁移学习。但是，我注意到没有角化酶(博客)推荐的层冻结。一种方法是冻结所有VGG16层，并在编译期间只使用代码中的最后4个层，例如： layer.trainable = False
据推测
浏览 0提问于2018-04-23得票数 12
回答已采纳
1回答
我打算：
keras.applications.nasnet.NASNetLarge(input_shape=None, include_top=True, weights='imagenet'问题：
对于迁移学习，我是否设置了include_top = True和classes = (num_classes)，<
浏览 0提问于2019-02-20得票数 2
我需要对已经经过培训的现有deeplearning4j (DL4J)模型进行更改。网络由一个输入层、一个Graves LSTM和一个RNN输出层组成。我的问题是:是否有可能在LSTM层中添加一个或多个未经训练的神经元，而不必重新构建新的配置模型(我认为这需要再培训)？我想做这样的事情，比如，将一个或多个神经元添加到一个现有的层中，或者将一个完整的层(未经训练)添加
浏览 2提问于2018-05-27得票数 3
回答已采纳
1回答
如何在神经网络中增加更多的输出？
、、、、
当然，没有人能够为所有可能的图像输出建立神经网络来进行图像识别和分类。所以，如果我制作一个神经网络，它接受数组输入，得到作为鸟的输出，或者不是鸟。在我学习完第一个网络之后，我是否可以为更多的图像添加更多的输出，或者这将使学习消失。
所以我加上固定的输入号码和一个输出，然后再多加一个和多一个，这适用还是不适用？
浏览 2提问于2017-02-16得票数 0
回答已采纳
目前，我正在尝试使用Keras实现一个多层自动编码器，使用的是Mnist数据集(手写数字)。我的代码如下所示： from keras.layers import Input, Dense, initializersimport numpyset_visible(False) plt.show()
plotting() 我有两个问题，当你堆叠自动编码器时，它应该是这样的
浏览 18提问于2019-02-25得票数 0
回答已采纳
我的问题是，我们能否使用CNN进行特征提取，然后将提取的特征用作另一种分类算法(如SVM )的输入。
谢谢
浏览 3提问于2016-08-14得票数 1
回答已采纳
3回答
什么是冻结/解冻一层神经网络？
、、、、
我已经和神经网络玩了很长一段时间了，最近我在训练神经网络之前遇到了“冻结”和“解冻”这两个术语，同时读到了关于迁移学习的知识&我很难理解它们的用法。
浏览 3提问于2020-06-06得票数 6
回答已采纳
我在caffenet中使用微调，它工作得很好，但是我在Keras 关于微调的博客中读到了这篇文章(他们使用经过训练的VGG16模型)：
“为了进行微调，所有层都应该从经过适当训练的权重开始:例如，你不应该把一个随机初始化的完全连接的网络放在一个预先训练过的卷积基础上这是因为随机初始化的权值引发的大梯度更新会破坏卷积基中的学习权重
浏览 0提问于2017-03-20得票数 2
以下是我的完整代码：from tensorflow.keras.preprocessing.image我拍摄猫和狗的图像，为它们生成标签，然后我用numpy将两个数组连接在一起，这样我就可以对它们进行训练。我想我的问题如下：
我必须通过将数组拼接到前1000张图像来缩小训练集的大小，这无助于--我不得不使用1的batc
浏览 4提问于2022-03-04得票数 0
回答已采纳
4回答
我有大约25k张图像，属于14个不同的类别(不同种类的颈线，例如v形颈，圆颈等)。图像主要包含服装的顶部和/或模型的面部。下面是一些示例：
为了做到这一点，我想在VGG16的第一个块(在imagenet上预先训练)之后提取特征，因为前几个块的特征图将捕获物体、线条、形状等。==========Trainable para
浏览 0提问于2018-02-03得票数 2
模型的输出与屏幕截图一样是4,4,1280。它是网络的最终输出层吗？这不是输出层吗？还是真的是这样？
另外，我所指的代码，将GlobalAveragePooling应用于这个(4,4,1280)层？
浏览 3提问于2019-11-25得票数 0
回答已采纳
我在寻找一种在Keras模型中部分冻结层的方法。如果要冻结一个层，只需将trainable属性设置为False，如下所示：但是，让我们以一个包含n节点的密集层为例是否有一种方法将第一个i节点设置为不可训练，使剩余的n-i保持可训练性？
我在文件里找不到任何东西。我唯一能想到的</e
浏览 10提问于2022-03-17得票数 0
作为背景，我对机器学习的世界比较陌生，我正在尝试一个项目，其目标是对NBA比赛中的比赛进行分类。我的输入是一场NBA比赛中每场比赛40帧的序列，我的标签是每一场比赛的11种全面分类。该计划是将每一帧序列，并将每帧传递到CNN，以提取一组特征。然后，从一个给定的视频的每一个特征序列将传递到一个RNN。我目前正在使用Keras作为我的大部分实现，我选择使用VGG16模型为我的CNN。，
浏览 0提问于2017-07-29得票数 4
2回答
如果我把架构做得更深，如果我更严格地规范它，甚至在某一时刻达到100%，它要么会覆盖很多东西，要么会像疯了一样跳来跳去：
我也尝试过使用BatchNormalization，但是模型几乎没有学习，在训练集上没有超过有和没有辍学的情况下。它谈到了重用VGG
浏览 5提问于2017-09-11得票数 4
回答已采纳
1回答
我使用512->128->128->1的体系结构，除了最后一层外，每个层都有relu激活。我的损失函数是乙状结肠交叉熵。
验证集包含1000万行。最初验证错误会下降，但经过几个时期后又会再次上升。在分析每一层的梯度和权重时，我发现过度拟合与最后一层的权重是一致的，只是越来越大。最后一层似乎进入了过度驱动，而网络
浏览 0提问于2017-10-22得票数 6
我正在尝试创建一个预训练的权重模型文件，该文件可用于初始化类似于imagenet预训练的权重文件或噪声学生的模型。 我有足够大的数据集，这些数据集非常多样化，但特定于我感兴趣的领域。我希望创建一个通用的预训练权重文件，该文件特定于我感兴趣的领域。 我知道我不能训练和保存模型权重，因为在生成的预训练权重文件和我试图使用该预训练权重
浏览 23提问于2020-06-29得票数 0
回答已采纳
我想知道如何通过向模型中添加新的类来重新训练从上面的存储库中获得的经过预先训练的模型。例如，经过训练的COCO数据集模型有90个类，我想在现有的类中添加1个或2个类，并得到一个92类的对象检测模型。是由存储库提供的，但它正在用新培训的类完全取代那些预先训练过的类。在那里，只提到了火车和雪崩。
那么，还有其他方法来重新训练模型并得到92个类吗？
浏览 2提问于2017-10-04得票数 16
云服务器
ICP备案
腾讯会议
云直播
对象存储
腾讯云开发者
