在不使用forloop的情况下将Keras模型输出转换为稀疏矩阵
在不使用for loop的情况下将Keras模型输出转换为稀疏矩阵，可以使用SciPy库中的稀疏矩阵类型来实现。具体步骤如下：
- 导入所需的库：
import numpy as np
from scipy.sparse import csr_matrix- 获取Keras模型的输出：
model_output = model.predict(x_test) # 假设model是已经训练好的Keras模型，x_test是测试数据- 将模型输出转换为稀疏矩阵：
sparse_output = csr_matrix(model_output)这样，sparse_output就是将Keras模型输出转换为稀疏矩阵后的结果。
稀疏矩阵是一种特殊的矩阵表示方法，适用于矩阵中大部分元素为零的情况。它可以节省内存空间，并提高计算效率。稀疏矩阵在很多领域都有广泛的应用，比如自然语言处理、推荐系统、图像处理等。
腾讯云提供了多个与云计算相关的产品，其中与稀疏矩阵处理相关的产品是腾讯云的人工智能开放平台（AI Lab）。AI Lab提供了丰富的人工智能算法和模型，可以帮助开发者进行稀疏矩阵处理等任务。具体产品介绍和链接如下：
- 产品名称：AI Lab
- 产品介绍：AI Lab是腾讯云提供的人工智能开放平台，集成了多个人工智能算法和模型，包括稀疏矩阵处理等功能。
- 产品链接：AI Lab
通过使用AI Lab，开发者可以方便地进行稀疏矩阵处理等任务，提高开发效率。
相关·内容
我正在尝试建立一个简单的tf.keras模型，其中一个向量作为输入输入，输出是一个矩阵乘法的结果。 创建模型的代码行成功了，但调用它进行前向传递会导致错误。 n_input_nodes = 2
n_output_nodes = 1
x = tf.keras.Input(shape=(n_input_nodes,))
W = tf.ones((n_input_nodes,n_output_nodes), dtype=tf.float32)
y = tf.matmul(x, W)
model = tf.keras.Model(inputs=x, outputs=y)
x_input = t
浏览 15提问于2019-01-21得票数 0
我正在尝试使用稀疏numpy矩阵作为keras的后端。模型可以编译，但在合适的情况下，会给出一个错误。代码如下。任何帮助都是非常感谢的。
from keras.layers import Dense, Input
from keras.models import Model
inputs = Input(shape=(trainX.shape[1],), sparse=True)
outputs = Dense(trainY.shape[1], activation='softmax')(inputs)
model = Model(inputs=inputs, outputs=
浏览 2提问于2017-10-05得票数 5
1回答
我正在研究瑞典树叶数据的二元分类模型，认为转移学习是可行的。我找到了教程，但是在编译函数中，我想使用与准确性不同的度量标准。当我试图得到AUC或FP/FN/TP/TN时，会出现ValueError，声称真y (None，1)的形状与y_pred (None，2)的形状不相容。
我不明白：
为什么y_pred会有这样的形状？
如何计算精度，而不是混淆矩阵的各个部分？！
没有合理解释的解决方案也非常受欢迎:)
feature_extractor_model = "https://tfhub.dev/google/tf2-preview/mobilenet_v2/featur
浏览 6提问于2022-03-11得票数 0
我的数据可以看作是10B条目(100 Mx100)的矩阵，这是非常稀疏的(< 1/100 * 1/100的条目是非零的)。我想用Tensorflow后端将数据输入到Keras神经网络模型中。
我的第一个想法是将数据扩展为密集数据，也就是说，将所有10B条目写入一系列CSV中，其中大多数条目为零。然而，这很快就淹没了我的资源(即便是做ETL的工作也让熊猫不堪重负，并导致postgres陷入困境)。所以我需要使用真正的稀疏矩阵。
我如何使用Keras (和Tensorflow)来做到这一点？虽然numpy不支持稀疏矩阵，但scipy和tensorflow都支持稀疏矩阵。关于这个想法有很多讨论
浏览 2提问于2017-01-08得票数 45
1回答
我正在使用Python、numpy和scipy对我为文本分析创建的主题模型的输出进行一些层次聚类。
我将我的测试语料库应用于ldamodel，因此它成为一个词袋表示。然后我把它变成了一个矩阵。现在，我想使用scipy来创建一个矩阵的链接矩阵。但它给出了值错误:使用序列设置数组元素。我猜这是因为只有形状相同的数组才能聚集在一起。我的矩阵在列表中的列表之间有长度上的差异。我现在只是不知道如何解决这个问题。下面是代码的一小部分。我不知道这是否有帮助。我真的希望有人能帮我。
import numpy as np
X = np.array(corpus)
from matplotlib im
浏览 0提问于2017-01-13得票数 0
我有一个预训练的keras模型，它的输出维度为[n, 4000] (它对4000个类别进行分类)。 我需要对测试数据进行预测(300K观察值)。 但是当我调用方法model.predict(X_train)时，我得到了一个run-out memory error，因为我没有足够的内存来存储带有shape (300K , 4000)的矩阵。 因此，将模型输出转换为稀疏矩阵是合乎逻辑的。 但是，将predict method包装到scipy函数sparse.csr_matrix中并不起作用(sparse.csr_matrix(model.predict(X_train)))，因为它首先在内存中为
浏览 7提问于2019-05-02得票数 3
1回答
我必须构建一个函数，它先按行排序矩阵，然后按列排序，反之亦然，保留矩阵内部的值。矩阵是一个很大的矩阵，所以我使用的算法必须是nlogn算法。
我的结构如下：
typedef struct{
unsigned int line, column;
float value;}Matrix;
Matrix matrix[size_of_matrix*size_of_matrix];
static int numb_of_matrix; /*Whenever I ask the user to insert values to the matrix, I increase this number to
浏览 2提问于2018-04-25得票数 1
我想要将一个矩阵(非常稀疏，有数百万个零和几个其他数字)作为熊猫数据帧保存到.csv文件中，但是数据帧将0保存为0.0 (浮点数而不是整数)，因此文件变得非常大。所以我想将0.0保存为0，以减小输出.csv文件的大小。我正在尝试类似这样的东西： import pandas
table = [[0.88, 4], [0, 0.5]]
pd = pandas.DataFrame(table, columns = ['C1', 'C2'])
pd.to_csv('output.csv', index = False)
pd 并获得输出： C1
浏览 37提问于2020-07-24得票数 0
2回答
我正在尝试在c++中转置一个稀疏矩阵。我正在努力处理新的转置矩阵的遍历。我想输入从矩阵的第一行到新矩阵的第一列的所有内容。
每一行都有数字所在的列索引和数字本身。
输入：
colInd num colInd num colInd num
输入：
1 1 2 2 3 3
1 4 2 5 3 6
1 7 2 8 3 9
输出：
1 1 2 4 3 7
1 2 2 5 3 8
1 3 2 6 3 9
如何使列表向下遍历第一列，在遍历时插入第一个元素，然后返回顶部，向下插入第二列。如果这两个问题很难理解，我向您道歉。但我需要的帮助是遍历转置后的矩阵，使其在正确的时间出现在正确的位置，在正确的位置插入一
浏览 1提问于2012-03-29得票数 0
1回答
我在matlab中有一个20 millionx20million大小的稀疏矩阵。我想从这个矩阵中得到大约40000个特定的行。
如果我这样做了
new_data = data_original(index,:)
当index由我感兴趣的行组成时，它将永远占用时间。
我怎样才能高效地做这件事？
浏览 1提问于2014-04-06得票数 0
2回答
我使用Gensim建立向量空间模型。在从Gensim创建字典和语料库之后，我使用以下行计算了(词汇频率*反向文档频率)TFIDF
Term_IDF = TfidfModel(corpus)
corpus_tfidf = Term_IDF[corpus]
corpus_tfidf包含具有术语ids和相应TFIDF的列表的列表。然后，我使用下面的几行代码将TFIDF与ids分开：
for doc in corpus_tfidf:
for ids,tfidf in doc:
IDS.append(ids)
tfidfmtx.append(tf
浏览 0提问于2018-06-20得票数 5
我正在创建一个稀疏的神经网络，如下图所述。Keras只提供一个密集的层，我们不能选择我们想要连接到前一层的神经元数量。为了使用Keras实现这一点，我尝试实现以下方法：
1-求出各时期各层的梯度矩阵。
2-带掩码矩阵的多重梯度矩阵使其稀疏
3-根据更新的梯度矩阵更新新的权重
我无法在Keras中找到梯度矩阵。我怎样才能得到它和更新它在时代？
tf.GradientTape()只用于查看渐变。
提前谢谢。请参阅附图。
浏览 5提问于2022-05-24得票数 1
回答已采纳
为了更好地解释我的用例，A是一个稀疏矩阵，tf值是一个稀疏的矩阵，而B是一个数组，它具有数据的一些附加特性。
我已经分到了训练集和测试集，所以在我的例子中，A和B只是关于训练集的。我(希望)在这段代码之后对测试集做同样的操作。
我想将这些矩阵/数组连接起来，因为我想将它们传递给一个sklearn ML模型来训练它，我不认为我可以单独传递它们。
所以我试着这么做：
C = np.concatenate((A, B.T), axis=1)
其中A是<class 'scipy.sparse.csr.csr_matrix'>，B是<class 'numpy.n
浏览 0提问于2019-08-05得票数 3
1回答
在字符串上掩蔽一个双倍
、、、
这是MatLab的一个问题.我有两个矩阵，一个是一个(5x1倍)：
1
2
3
1
3
第二个矩阵是(5x3字符串)，空格不显示字符：
a
bc
def
g
hij
我试图得到一个输出，以便创建一个(5x1字符串)，并从矩阵2的每一行输出第n个值，其中n是矩阵1中的值。我不知道如何使用面具来处理更大的问题。我的目标矩阵将包括以下内容：
a
c
f
g
j
非常感谢您的帮助！
浏览 3提问于2015-02-11得票数 1
回答已采纳
1回答
为什么我不能训练我的模特
、、、、
我目前正在尝试建立一个线性回归网络，能够将输入数据映射到所需的输出数据。
我的输入和输出当前存储为存储为numpy.ndarray的矩阵列表。
回归网络的输入维数为400，回归网络的输出维数为13。
输入端的每个矩阵都有尺寸为400 x =>的打印input.shape输出。
输出侧的每个矩阵都具有尺寸为13 x =>的打印output.shape输出。
我目前定义的网络如下所示：
print "Training!"
model = Sequential()
model.add(Dense(output_dim=13, input_dim=400, init=
浏览 3提问于2016-11-13得票数 0
回答已采纳
1回答
我想训练一个用于语义分割的模型，因此输出张量包含许多零。我创建了一个tf.data数据集，它返回一个包含输出掩码的tensorflow稀疏张量，以便在训练时消耗更少的内存，但是当我尝试tf.keras.fit时，我得到
TypeError: Failed to convert object of type <class 'tensorflow.python.framework.sparse_tensor.SparseTensor'> to Tensor. Contents: SparseTensor(indices=Tensor("cond_2/Identi
浏览 0提问于2020-03-19得票数 0
1回答
我有一个术语文档矩阵作为稀疏矩阵( csr或coo矩阵)，还有一个要进行相似性比较的特征向量。我想尝试以下方法：
1.)将doc矩阵作为csr矩阵，将其转换为ndarray，然后在各行上迭代，并使用scikit学习ndarray之间的余弦相似性。
2.)将doc矩阵作为csr矩阵，将其转换为ndarray，然后矩阵将该矩阵与向量相乘，并除以幅度和反余弦，以获得相似分数
3.)使用doc矩阵作为coo矩阵，使用zip函数快速迭代索引(同时跟踪您所在的行)，并在不利用ndarray的矢量化aspec的情况下进行余弦相似性
虽然fisrt方法利用了快速向量化和内建余弦相似度方法，但它对于大型矩阵的内
浏览 2提问于2018-12-10得票数 1
1回答
我有两个大小为(128，)的数组和一个大小为(784,128)的数组： array1.shape()
out: (128,)
array2.shape()
out: (128,)
array3.shape()
out: (784,128) 它们具有相同的数据类型，但dtype()输出不同： array1.dtype
out: float32
array2.dtype
out: <dtype: 'float32'>
array2.dtype
out: <dtype: 'float32'> 它们属于不同的类别： type(array1)
o
浏览 27提问于2020-09-05得票数 0
我试着做一个简单的CNN分类器模型。对于我的训练图像(BATCH_SIZEx227x227x1)和标签(BATCH_SIZEx7)数据集，我使用的是numpy ndarray，它们通过ImageDataGenerator成批地传送到模型中。我使用的损失函数是tf.nn.sparse_categorical_crossentropy。当模型试图训练时，就会出现问题；模型(对于我的简化实验来说，批处理大小是1)输出的形状为1，7，标签为7。
我几乎肯定我知道原因，但我不知道如何解决。我的假设是，sparse_categorical_crossentropy正在压缩我的标签的尺寸(例如，当BATCH
浏览 0提问于2019-05-25得票数 9
回答已采纳
我正在尝试使用A^TA计算cuSparse。A是一个大但稀疏的矩阵。基于使用的适当函数是cusparseDcsrgemm2。然而，这是少数几个不支持输入矩阵可选内置转置的cuSparse操作之一。文件里有一行写着
只支持NN版本。对于其他模式，用户必须显式转换A或B。
问题是，我在cuSparse中找不到一个可以执行转置的函数。我知道我可以在CPU中转换，并将其复制到GPU，但这会减慢应用程序的速度。我是不是遗漏了什么？使用cuSparse计算A^TA的正确方法是什么？
浏览 1提问于2019-08-06得票数 1
回答已采纳
我正在尝试将tensorflow中经过训练的模型转换为中间表示。
我有下面给出的表格模型
class Conv3DModel(tf.keras.Model):
def __init__(self):
super(Conv3DModel, self).__init__()
# Convolutions
self.conv1 = tf.compat.v2.keras.layers.Conv3D(32, (3, 3, 3), activation='relu', name="conv1", data_format
浏览 0提问于2020-03-09得票数 1
回答已采纳
1回答
我有一个巨大的稀疏矩阵A，大小是两百万乘以一万。我想从这个矩阵中索引特定的1000行(索引)。
如果我这样做了
B= A(index，:)；
这需要一些时间。有没有更好的快速方法来高效地访问这个矩阵的行？
浏览 1提问于2014-03-05得票数 2
1回答
我正在用Keras创建一个RNN语言模型，为了训练这个模型(有监督学习)，我必须创建一个形状为(num_of_training_sequences, size_of_vocabulary)的numpy数组y (每个序列的每个观察的标签)，其中包含一个热向量。
当我有太多训练序列时，这个数组太大，无法放入内存。然而，这并不是必须的！由于可能的单热向量的数量仅为size_of_vocabulary，因此y可能只是一个num_of_training_sequences大小的数组，其中包含对预先分配的单热向量的引用(也称为指针)。这样，如果两个序列以相同的单词结束，并且应该具有相同的热向量，那么它们将
浏览 1提问于2020-05-17得票数 0
1回答
我正在学习和的例子，并且对Keras完全陌生。看上去很棒，但我遇到了一些我不明白的事情。
我有一个8级的分类问题。我的培训集有5120行和62列，最后一列是目标变量。
我的目标变量目前被编码为浮点数，因此我使用to_categorical将它们转换为整数，然后转换为模型的虚拟矩阵。结果是形状的numpy.ndarray (num_samples，num_classes+1)。有人知道为什么吗？
下面是代码：
import numpy as np
from keras.utils.np_utils import to_categorical
dataset = np.loadtxt("
浏览 6提问于2017-02-15得票数 1
回答已采纳
F是CSR稀疏矩阵。
(0, 0) 28.9009663001
(0, 1) -9.21359549996
...
(7, 6) -10.2135955
(7, 7) 30.9009663001
C也是CSR稀疏矩阵。
(0, 0) 1.0782887739
(1, 0) -1.33369825452
(2, 0) 1.74824228278
(3, 0) -2.55552434318
(4, 0) 3.08435514293
(5, 0) -1.94369861339
(6, 0) 1.47753839244
(7, 0) -2.0
浏览 1提问于2014-02-02得票数 0
1回答
我有稀疏COO3DA矩阵NxNxM (第三维是M)和密集2DB矩阵(NxN)，这将是我的求解器的优化变量。我想把A和B相乘，得到(NxNXM)矩阵。然后，我需要对生成的3D矩阵的元素求和，以创建2D矩阵(NxN)。
为了清楚起见，如果我不使用稀疏矩阵，我可以使用下面的代码。它是3D和2D矩阵的乘法。
np.sum(np.einsum('ijk,jk->ijk', A, B))
其中A是3D矩阵，B是2D矩阵。
我的目标函数是最小化稀疏A与决策变量矩阵B的乘法的元素之和。
我该怎么做呢？
我正在使用创建稀疏矩阵。
浏览 5提问于2020-10-24得票数 1
1回答
让我们假设A是一个(scipy)稀疏矩阵，tf值，B是一个(numpy)数组，具有数据的一些附加特性。
A和B的每一行对应于相同的观察结果。
我想将这些矩阵/数组连接起来，因为我想将它们传递给sklearn模型来训练它，而且我不认为我可以单独传递它们。
根据这个答案()，有两种方法可以连接这些数组：
将稀疏数组(A)转换为密集数组，然后连接
将完全密集数组(B)转换为稀疏矩阵
但是，(1)在我的例子中，基本上是不可能的，因为我的例子中的A太大了。
因此，我可以考虑将我的完全密集数组(B)转换为稀疏数组。
但是，我的问题是，这样做是否会丢失任何信息(例如，通过将一个完全密集的数组
浏览 0提问于2019-08-05得票数 0
我正在尝试将保存在SavedModel格式(包含.pb文件、assets文件夹和variables文件夹的文件夹)中的Tensorflow对象检测模型转换为Keras.h5以进行更简单的推断。然而，尝试常见的StackOverflow回答这个问题(例如，)会导致ValueError: Unable to create a Keras model from this SavedModel. This SavedModel was created with tf.saved_model.save, and lacks the Keras metadata.Please save your Kera
浏览 38提问于2022-01-04得票数 2
1回答
在Keras做虚拟模型时，我遇到了一件奇怪的事情。出于现在不重要的原因，我决定尝试训练一组权重，使之成为身份矩阵。我的代码如下：
import tensorflow as tf
from tensorflow import keras
import numpy as np
tfe = tf.contrib.eager
tf.enable_eager_execution()
i4 = np.eye(4)
inds = np.random.randint(0,4,size=2000)
data = i4[inds]
model = keras.Sequential([keras.layers.D
浏览 0提问于2018-10-16得票数 1
回答已采纳
我想使用Unet模型对CMR图像的数据集进行语义分割。该模型对其他CMR图像非常有效，但当将其应用于新数据集时，它的行为却很奇怪。我使用分类交叉熵作为损失函数，将蒙版分割为包括背景在内的4类。这是我正在使用的Unet模型(我是从一个github页面获得的，现在我不记得地址了)： def down_block(x, filters, kernel_size=(3, 3), padding="same", strides=1):
c = keras.layers.Conv2D(filters, kernel_size, padding=padding, strides=s
浏览 38提问于2020-07-11得票数 0
2回答
我现在在处理稀疏矩阵，我必须比较稀疏矩阵乘法和全矩阵乘的计算时间。问题是稀疏矩阵计算比全矩阵计算慢。
我用压缩的行存储压缩我的矩阵，乘以2个矩阵非常耗时(循环四倍)，所以我想知道是否有更好的压缩格式更适合矩阵-矩阵操作(CRS非常方便矩阵向量计算)。
提前感谢！
浏览 6提问于2013-09-26得票数 4
回答已采纳
我知道如何将数组从主机复制到GPU。但是，如果我在主机上存储了一个列主矩阵，并希望将其复制到GPU上的缓冲区，会发生什么情况。
除了在forloop中一次复制一个元素之外，还有其他方法吗？
A_host 0 3 6 1 4 7 2 5 8。
GPUBuffer =0 1 2 3 4 5 6 7 8。
浏览 0提问于2013-03-16得票数 1
回答已采纳
正如标题所述，我正在尝试从lme4 (或其他包)中提取矩阵？对象。为了准确地说明我想要什么，我认为最简单的方法是参考SAS文档：
方差-随机效应的协方差矩阵
在SAS表示法中，这个矩阵称为G，是随机效应参数γ的方差协方差矩阵。通过在PROC混合和输出传递系统中使用选项"G“，您可以获得G作为一个矩阵。
我知道，一旦我有了伽玛的方差分量和维数，手工构造这个矩阵就比较简单了。尽管如此，我还是希望有一个更简单的方法。
混合模型方程解
在SAS表示法中，这些被称为C。通过在PROC混合和输出传递系统中使用"MMEQSOL“选项，您要求给出混合模型方程的解，以及倒系数矩阵。我对后者感兴趣
浏览 0提问于2017-11-15得票数 1
4回答
我开始用Keras建立神经网络模型。
我有一个分类问题，其中的特征是离散的。为了管理这种情况，标准过程包括用一次热编码来转换二进制数组中的离散特性。
然而，对于Keras来说，这一步似乎是不必要的，因为我们可以简单地使用嵌入层来创建这些离散特征的特征向量表示。
如何执行这些？
我的理解是，如果离散特性f可以假定k值，那么嵌入层就会创建带有k列的矩阵。每次我收到该特性的值时，比如i，在培训阶段，只有矩阵的i列会被更新。
我的理解正确吗？
浏览 4提问于2017-03-13得票数 12
回答已采纳
我正试图将一个经过训练的链子模型转换成一个经过训练的角模型，希望把它转换成核心模型。我这样做的尝试是通过使用与chainer模型相同的体系结构直接设置实例化keras模型的权重。通过调试，我注意到权矩阵的形状在Keras中设置时会被转换。问题是这两种模式的产量不同。在keras模型中，第一层得到了一些正确的输出，但大多数输出都以不可预测的方式被零化。对于我缺少的受过训练的角膜模型，还有其他参数吗？
import chainer
import cv2 as cv
import numpy as np
import argparse
import sys
import os
import ev
浏览 1提问于2019-01-19得票数 2
回答已采纳
我正在Keras中训练一个LSTM下一个字符/单词预测器，并希望将它包含在一个iOS项目中。当我将它转换为CoreML时，输出形状和值与我原来的Keras模型不匹配。
总结我的问题：
为什么转换后的模型与原始模型有不同的输出形状，如何确保它们匹配？
为什么我要从转换的模型中得到不同的预测值？
我培训的模型有以下布局：
model = Sequential()
model.add(LSTM(128, input_shape=(SEQUENCE_LENGTH, len(chars))))
model.add(Dense(len(chars), activation = 's
浏览 1提问于2019-04-09得票数 0
回答已采纳
我正在使用带有yolov2架构的基于keras和tensorflow的预训练模型来检测凹坑，在将tensorflow模型转换为tensorflow lite时，我得到了一个错误 from tensorflow.contrib import lite
converter = lite.TFLiteConverter.from_keras_model_file( 'model.h5' )
model = converter.convert()
file = open( 'model.tflite' , 'wb' )
file.write( mod
浏览 26提问于2020-04-13得票数 0
1回答
稀疏混合模型与lme4或其他包
、、、、
我在一个大文件(500000行)上使用混合模型。我的模型公式是这样的：
Y ~ 0 + num1:factor1 + num1:factor2 + num2:factor3 + factor4 + (0 + num3|subject) + (0 + num4|subject) + (1|subject)，
其中num -数值变量；factor -分类变量/因素。
由于范畴变量具有多个唯一的层次，因此固定效果矩阵是非常稀疏的(稀疏性~0.9)。
拟合这样的矩阵，如果它是处理密集的，需要大量的时间和RAM。
我的线性回归也有同样的问题。
我的稠密矩阵是20GB，但是当我把它转换成稀疏矩阵时，
浏览 0提问于2020-11-03得票数 3
回答已采纳
1回答
论礼拜堂的稀疏性
、、、、
给定一个稠密域dom: domain(n);，其中n< 3，声明sps1: sparse subdomain(dom);产生一个稀疏子域sps1 of dom。使用sps1，通常的数组/矩阵切片是可能的。也就是说，给定一个矩阵A: [sps1]，可以取A的n维切片.然而，通常的矩阵运算transpose()是不适用的。
在另一个稀疏子域B:[sps2]上定义第二个矩阵sps2 = CSRDomain(dom)使一个人能够获取B的transpose()，但是将其切片到B中的能力就丧失了。
这两种能力似乎都是一个人应该始终能够获得的。是否有更好的方法来声明保留这两个域的稀疏子域？
浏览 0提问于2018-03-14得票数 3
回答已采纳
我用Armadillo来解决一些线性代数问题。它有稀疏矩阵的SpMat<float>和稠密矩阵的Mat<float>。
假设我有稀疏矩阵S_a和S_b，以及稠密矩阵D。我需要计算产生的S_a*S_b和S_a*D，结果在这两种情况下都会很密集。
我可以将稀疏矩阵转换为密集矩阵，然后再进行乘法，但这将是效率低下的(这些矩阵非常大)。有没有办法让Armadillo在不执行中间转换步骤的情况下将结果存储到稠密矩阵中？
浏览 4提问于2017-10-24得票数 0
回答已采纳
3回答
虚系数回归因子
、、、
假设我在稀疏矩阵上有一个经过训练的glmnet模型，多个预测器包含不同级别的因素(因此也包括不同数量的虚拟预测器)。
df <- data.frame(y=runif(10), catVar=as.factor(sample(0:5,10,TRUE)))
A <- model.matrix(y ~ catVar,df)
train <- cv.glmnet(A[,c('catVar3', 'catVar4')], df$y)
coef(train, s="lambda.min")
转换虚拟系数/值或整体公式的最佳(最有效)方法
浏览 1提问于2015-09-10得票数 2
回答已采纳
1回答
我正在构建一个Keras模型来将数据分类到3000个不同的类，我的训练数据由大量的样本组成，所以在编码后的训练输出在一个热编码，数据是非常大的(item_count * 3000 *大小的浮点数+输入数据大小)是可能的传递稀疏数组到keras作为输出的训练数据，有什么建议的解决方案吗？
浏览 18提问于2019-06-28得票数 2
回答已采纳
我正在研究的一个模型应该同时预测相当多的变量(>1000)。因此，我想有一个小的神经网络在网络的末尾，为每个输出。
为了做到这一点，我想找到一种方法，在Tensorflow框架内在神经网络中的两个层之间创建一个稀疏的可训练连接。
连接矩阵中只有一小部分是可训练的:只有参数是块对角线的一部分。
例如：
连接矩阵如下：
可训练参数应代替1。
浏览 1提问于2019-09-30得票数 5
回答已采纳
2回答
不同尺寸输入的神经网络
、、、、
我想在Keras中使用一个神经网络，它需要两个不同大小的输入(向量v和矩阵A)，并输出一个向量u，即经过A操作后的v。我成功地输入了矩阵和向量。问题是，在拟合模型时，当我尝试使用向量u作为目标时，它会抱怨：
ValueError: Data cardinality is ambiguous:
x sizes: 70, 312
y sizes: 70
Make sure all arrays contain the same number of samples.
浏览 10提问于2022-07-15得票数 0
我需要提取sparseMatrix行作为sparseVector，但是'drop=FALSE‘选项不适合我。
为了解释这个问题，我将使用中的一个示例(我的问题不同，因为我需要将提取的行转换为向量)：
i <- c(1,3:8); j <- c(2,9,6:10); x <- 7 * (1:7)
A <- sparseMatrix(i, j, x = x)
b <- sparseVector(7,2,10)
现在A[1,,drop=FALSE]和b应该具有相同的值。
然而，A[1,,drop=FALSE]仍然是一个2维矩阵。因此，如果我尝试使用Matrix:
浏览 0提问于2015-10-29得票数 0
2回答
我想使用sklearn.metrics.confusion_matrix(y_true, y_pred)为keras模型创建一个混淆矩阵。 在训练模型之后，我可以使用predict_generator(generator)来获得对测试数据集的预测，这就给了我y_pred。如何从数据生成器中获得相应的真实标签，y_true？
浏览 48提问于2018-12-28得票数 4
回答已采纳
我有一个矩阵，我想把它看作对应图的邻接矩阵，所以我用1替换每个非零元素：
A = A ~- 0
现在我想计算A*A，但我不能，因为
>> A*A
Error using *
Both logical inputs must be scalar.
To compute elementwise TIMES, use TIMES (.*) instead
由于某种原因，我不能把逻辑矩阵转换成整数。
>> uint(A)
Error using numerictype (line 172)
Invalid arguments (WordLength must be a
浏览 4提问于2014-01-28得票数 3
回答已采纳
我有一个自定义的keras层，它使用一个固定的权重矩阵。我想知道如何在tensorflow中使用keras API来处理这个固定权重矩阵。特别是，既然K.constant提供了更多的灵活性(例如，我可以将Layer.set_weights与后者一起使用)，我为什么还要使用self.add_weights(trainable=False)呢？
具体地说，在build方法中，我可以这样做：
class CustomLayer(Layer):
...
def build(self, input_shape):
self.fixed_t
浏览 14提问于2019-11-11得票数 4
回答已采纳
1回答
我使用jCUSPARSE (cuSparse库包装器)进行矩阵向量乘法，并且函数有问题。
cusparseDcsrmv(handle, cusparseOperation.CUSPARSE_OPERATION_NON_TRANSPOSE, matrixSize, matrixSize, alpha, descra, d_csrValA, d_rowPtrA, d_colIndA, x, beta, y);
如果我使用描述符初始化
cusparseSetMatType(descra, cusparseMatrixType.CUSPARSE_MATRIX_TYPE_GENERAL);
它的工作速
浏览 6提问于2011-11-02得票数 1
我试图创建一个密集的神经网络，其中我的输入是一个稀疏的三维矩阵。当转换为稠密矩阵时，形状为(2, None, n) (其中n是许多特性，并且是固定的)。当我使用密集的输入时，我的keras体系结构工作得很好。但是，为了节省内存，我尝试使用稀疏张量作为输入。
这是我的密码
import numpy as np
import tensorflow as tf
input = tf.keras.Input(batch_shape=(2,None,5))
x = tf.keras.layers.Dropout(0.1)(input)
x = tf.keras.layers.Dense(1)(x)
浏览 21提问于2022-04-06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
实时音视频
对象存储
即时通信 IM活动推荐
腾讯云开发者
