我正在建立一个一维卷积神经网络(CNN)。我从许多来源了解到，如果增加更多的层，CNN的性能就会提高。但是，在每个池层，输出形状比输入小50% (因为我使用的池大小为2)。这意味着我不能添加更多的层，一旦我的输出有形状1。
是否有办法克服这个“减少形状问题”，还是仅仅是增加输入形状的问题？
浏览 1提问于2018-07-09得票数 0
回答已采纳
随着对Keras的理解，我对Keras的输入形状感到困惑。我觉得在不同的神经网络下，我需要将我的数据重建成不同的形状。但最近我正在学习一维卷积神经网络。我发现教程将训练数据构造为a，b，c，其中a是样本数，b是时间步数，c是特征数(等于1)。但是为什么我不能简单地将数据重塑为a，b呢？因为对于一维卷积神经网络，c将始终为1。 我不确定我是否正确理解了上面的内容。我想知道有没有不同神经网络的training_data形状</em
浏览 7提问于2019-08-26得票数 0
8回答
我对神经网络这个话题很陌生。我遇到了两个术语--卷积神经网络和递归神经网络。
我想知道这两个术语是否是指同一事物，或者，如果不是，它们之间会有什么区别呢？
浏览 6提问于2014-01-04得票数 67
2回答
我理解卷积过滤器(或内核)的用途。我把它们想象成可学习的特征提取器。例如，提取垂直边缘或水平边缘等。有人能好心地向我解释一下叠加2个或更多连续卷积滤波器的直觉吗？
浏览 0提问于2018-09-08得票数 5
1回答
我正在使用Keras库用卷积神经网络(CNN)解决一个回归问题。我已经做了很多例子，但是没有理解一维卷积输入形状的概念。
我想要建立我的CNN模型，但是很困惑model.add(Conv1D(5, 7, activati
浏览 4提问于2018-02-19得票数 2
1回答
我是CNN的新手，我有一个关于CNN的问题。我对CNN的输入形状(特别是Keras)有点困惑。我的数据是不同时隙的2D数据(比方说10X10)。因此，我有3D数据。我将把这些数据输入到我的模型中，以预测即将到来的时间段。因此，我将有一定数量的时隙用于预测(假设10个时隙，到目前为止，我可能有10X10X10数据)。现在，我的问题是，我必须将这些数据作为具有10个通道的2D图像(就像CNN、RGB图像中的普通数据)或3D数据进行处理。(Keras中的conv2D或conv
浏览 10提问于2020-02-11得票数 4
回答已采纳
技术，参考如下：https://github.com/kipr/opencv/blob/master/samples/cpp/matching_至_许多_images.cpp)是否有类似的服务可以作为服务？
浏览 0提问于2017-10-24得票数 1
回答已采纳
1回答
如果我没记错的话，卷积神经网络(CNN)首先被开发用于图像分类(参见LeCun等人的工作)。问题:你有成功应用CNN处理非图像数据的例子吗？
浏览 0提问于2018-11-23得票数 4
回答已采纳
谁能解释一下为什么一维卷积神经网络有时在表格数据上表现良好(比DNN更好)？我在一些已发表的论文中看到了这一点(尽管没有提供使用CNN1D的原因)，Kaggle竞赛，也在堆栈溢出中看到了关于表格数据中cnn1D输入形状的问题。(例如：Preparing feeding data to 1D CNN)。虽然我知道我们使用CNN 1D来处理时间序列和NLP中的序列数据，但是使用CNN 1D来处理表格数据背后的直观想法是什么？
浏览 90提问于2020-01-18得票数 3
3回答
='same')(input_image)KL.Dense(2)(KL.Flatten()(x))
ValueError：“平坦”输入的形状没有完全定义所以，如果我想要一个包含conv的模型，然后是可以接受任意大小输入的稠密模型，我应该怎么做？
浏览 2提问于2018-08-27得票数 1
4回答
现在我正在学习卷积神经网络。我知道可以克服这个问题(用完全卷积的神经网络等)，而且我也知道，这是由于在网络的末尾放置了完全连接的层。
但是为什么呢？我无法理解完全连接层的存在意味着什么，以及为什么我们被迫有一个固定的输入大小。
浏览 0提问于2019-11-30得票数 9
回答已采纳
1回答
我设计了一个使用2d卷积层和最大池化层的神经网络，输入形状为输入，一个热编码序列作为2d阵列。然后在输入模型之前对其进行重塑。1000), dtype=np.float32 )x_data = tf.reshape( data, [-1, 1, 1000, 21] )
然而，我使用了相同的数据集，使用了1D卷积层，通过更改模型和输入数组，而不像1D data = np.zeros( (100, 1000,21), dtype=np.
浏览 3提问于2020-07-11得票数 0
1回答
有多个例子如何构建Tensorflow模型来从图像中识别猫和狗。现在假设我有与每张图片相关联的音频，并训练单独的网络来通过声音识别猫和狗。 我想将这两个网络的预测反馈到另一个层中，以组合结果并提高最终预测成功率。 我的模型应该是什么样子的？
浏览 11提问于2019-02-17得票数 0
我正在尝试训练一个用于对象分类的CNN。因此，除了图像之外，我还想输入一些文本特征。我在这里找到了一个这样做的例子merged = Merge([cnn_model, text_model], mode='concat')
### final_model takes the combined换句话说，是否有可能(甚至有意义)将文本作为<em
浏览 0提问于2018-08-06得票数 3
我正在拿一张图片清单来训练我的CNN。data), np.array(labels), epochs=10, batch_size=32)‘'with’+字符串(Data_shape))
ValueError:检查输入时出错:要求dense_1_input具有2维，但得到形状为(391,605,700，3)的数组
浏览 15提问于2019-08-20得票数 0
回答已采纳
2回答
我对神经网络很陌生，我希望能得到一些指导.也许是关于以下主题的书籍或文章：
我是个翼型设计师。在固定的流动条件下，翼型壁面的压力将因其几何形状而异，例如厚度。对于不同的几何形状，我有一个大的数据集的压力分布沿翼型(他们可以被视为图像)。我的想法是用这些“图片”作为神经网络(输入)的训练数据，其中输出的是翼型的几何形状。
浏览 0提问于2019-04-12得票数 4
3回答
我正在学习吴家祥关于卷积神经网络的讲座，他给出了CNN比非卷积神经网络参数少的两个原因。它们是：缺乏联系。第二个原因是不是有点多余？
谁能解释一下吗？
浏览 0提问于2020-07-09得票数 2
云服务器
ICP备案
对象存储
即时通信 IM
云直播
腾讯云开发者
