1回答
多重合并多重卷积
、、、、
我看到的序列使用一维卷积层与空间丢失，和一个LSTM寻找这些特征的空间相关性。我的想法是，由于这些序列具有不同类型的特性，具有不同的序列长度，所以我可以尝试将输入序列发送到具有不同窗口大小的多个1 1dconv层，然后将它们合并回一起。我最初的想法是把每一个单独的卷积与上面的LSTM配对，然后将它们合并成另一个卷积和一个LSTM，但在我的计算机上，它似乎是非常复杂的。
浏览 0提问于2019-11-26得票数 2
回答已采纳
1回答
第二卷积层参数的个数是否正确？
、、、、
cnn_model = tf.keras.Sequential([ tf.keras.layers.Dense(128, activation=tf.nn.relu),
tf.keras.layers.Dense(10, activation='第一卷积层有240个参数，很容易计算：(核大小+偏差)*<
浏览 11提问于2021-03-19得票数 0
回答已采纳
层的权重存储在layer.get_weights()[0]中，偏移存储在layer.get_weights()[1]中(如果在定义层期间未禁用偏移)。这对于正常的卷积层是正确的。我最近使用可分离的卷积层作为我在EfficientDet model中的一个层。在这里，我有点困惑列表中的三个值是什么。任何帮助和建议都将不胜感激。
浏览 90提问于2020-10-14得票数 1
回答已采纳
2回答
卷积层的输出形状
、、、、
我在Keras建立了一个卷积神经网络。在我的例子中，卷积层有一个300维的输入。因此，我期望采用以下计算方法：
每个滤波器的窗口大小为5，因此，每个滤波器产生300-5+1=296个卷积.由于有111个滤波器，所以应该有一个111*296的卷积层的输出。显然，第一个维度取决于过滤器的大小。第三维空间是输入神经元的数目，通过卷积可以减少输入神经元的数目。最后一个
浏览 8提问于2017-05-08得票数 3
Keras层文档指定了卷积层的输入和输出大小：输出形状：(samples, filters, new_rows, new_cols)这个聚合操作符是什么？这是跨渠道的总结吗？我能控制它吗？我找不到关于Keras文档的任何信息。注意，在Te
浏览 3提问于2017-04-09得票数 54
回答已采纳
我在我的数据集上应用CNN模型进行预测。在重塑维度之后，my model1的model1变成：然后，我应用CNN输入层定义如下：这里1以上是通道数，3,4表示我的节点表示12个输入节点或特性，现在我检查output_shape of model1，它是：这里12
浏览 0提问于2018-12-03得票数 0
2回答
更具体地说，我找到了这个Keras教程，其中有一个包含有填充的MaxPooling层的网络。如果padding=same在卷积层，我们的输出大小(至少高度和宽度，深度可以改变根据滤波器的数目)是相同的输入。我期望MaxPooling层也是如此，但是Keras model.summary() (如本文所示)显示，池层之后的输出大小是输入的一半。
浏览 0提问于2020-01-31得票数 3
回答已采纳
它是python3.6中简单的CNN+GAN建模代码的一部分。model.add(Dense(1)) return model 它实际上是有效的，但我仍然不明白为什么这个过滤器大小在这里是因为图像大小是28*28，并且步长被设置为(2,2)，并且"padding='same'"必须将每个填充都设置为1。所以过滤器的大小必须是(4,4)而不是(5,5)？谁能解释一下过
浏览 14提问于2019-07-04得票数 0
1回答
我正在学习在Keras中CNN可训练参数的计算。我只是想知道为什么我们认为滤波器计算是可训练的参数？由于卷积过程是一个固定的计算过程(即矩阵乘法)，因此不需要更新(可训练)。例如:在第一个conV2D中，图像大小，比如10x10x1，过滤器3x3，1过滤器中的参数为10 (3x3+1)。
亚历克斯
浏览 2提问于2022-10-05得票数 -2
1回答
假设我想在神经网络中创建以下一层:不是让一个方形卷积滤波器在某个图像上移动，而是希望滤波器的形状是其他形状，比如矩形、圆形、三角形等(这当然是一个愚蠢的例子；我考虑的实际情况是不同的)。我如何在TensorFlow中实现这样一个层呢？
我发现可以通过扩展tf.keras.layers.Layer在Keras中定义自定义层，但是文档非常有限，没有很多示例。例如，通过扩展tf.keras.layer.Layer的
浏览 4提问于2019-04-09得票数 2
1回答
如何将tf.keras.layers与tf.Variable相乘
上下文:我正在创建一个样本相关卷积滤波器，它由一个泛型过滤器W组成，该过滤器通过样本依赖移位+缩放来转换。因此，将卷积原始滤波器W转化为aW + b，其中a是样本相关尺度，b是样本相关移位。其中一个应用是训练自动编码器，其中样本依赖是标签，因此每个标签移动/缩放卷积滤波器。由于样本/标签相关的卷积，我使用的是tf.nn.conv2d，它将实际的过滤器作为输入(而不仅仅
浏览 2提问于2020-10-02得票数 0
回答已采纳
来自https://keras.io/layers/convolutional/ (Conv2D)： kernel_constraint=None, bias_constraint=None)
滤波器:整数，输出空间的维数(即卷积中的输出滤波器
浏览 0提问于2019-07-25得票数 2
回答已采纳
我目前正在开发一个使用Keras的文本分类工具。它的工作原理(它工作得很好，我得到了98.7的验证精度)，但是我不能完全理解一维卷积层是如何处理文本数据的。
关于图像的例子：这是卷积层(大步2)的第一步：
这
浏览 2提问于2018-09-16得票数 14
回答已采纳
1回答
在CNN中更新滤波器权重
、、、
我设计了一个有2个卷积层和2个完全连接的层的CNN。我不知道如何将错误从FC层传播到conv层中的过滤器。 我参考了各种资料，但没有一个对我有真正的帮助。如何将错误从49x49 FC层传播到conv层中的3x3过滤器？ 有人能帮我吗？ 谢谢。
浏览 25提问于2019-06-04得票数 0
在一个典型的CNN中，conv层将具有大小为NxM的Y滤波器，因此它具有NxM可训练参数(不包括偏差)。因此，在以下简单的keras模型中，我期望第二个conv层有16个大小的内核(7x7)，从而具有大小的内核权重(7x7x16)。为什么它的重量是实际大小(7x7x8x16)?我理解正在发生的事情的机理: Conv2D层实际上正在进行三维卷积，将前一层的输出映射作为通道处理。它有16个3D内核的大小(7x7x8)。我
浏览 2提问于2017-09-29得票数 3
回答已采纳
2回答
CNN的卷积层需要多少个神经元？
、、、、
在卷积层中需要多少个神经元来处理32*32大小的图像，包括32滤波器和核大小3 *3。我知道输入的神经元为32 * 32，即1024，但如何计算隐藏卷积层所需的神经元。
浏览 1提问于2020-08-17得票数 0
我想尝试使用一些预先训练的CNN模型与Keras库(例如，异常，ResNet50等)进行特征提取。我试图找出我的数据集的输入维数是否需要匹配用于训练原始CNN的图像的维数。尝试搜索Google并检查Keras文档，但是没有找到关于这个问题的明确答案！如果在这方面有经验的人提供任何意见，我将不胜感激。
浏览 7提问于2017-09-01得票数 3
回答已采纳
1回答
特征映射的大小为H×W×512，其中H是特征映射的高度，W是宽度，512是通道(映射)的数量。这些特征被传递到1x1卷积，以将滤波器的数量减少到H×W X 128，并且这些特征还被传递到自适应池层，以将H×W X 512减少到k x k x 512，其中k是滤波器的大小(i.ex。5)。然后，滤波器还通过1x1卷积馈送，将其减少到128。 这给出了一个特征映射f=H x W x 128和一个大小为k x k x 128的过滤器核g。现在，我想将f与g进
浏览 30提问于2020-09-04得票数 0
回答已采纳
1回答
我目前正在学习这个纸，以便将它实现到语音识别应用程序中，但在理解时间步长的概念方面似乎存在一些问题。什么是时间步骤？我以前没有使用过RNN，但我会猜测，在连续的数据流中，时间步长将是时间t处的数据。为了理解RCL的本质，在RCL中引入时间步长的概念是非常有用的。它与与顺序数据关联的时间不完全相同，而是指处理数据时的迭代。来自用于语音处理的递归卷积神经网络
这进一步证实了我的理论，它是关于作为迭代t-
浏览 0提问于2017-07-07得票数 2
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
腾讯会议
云直播活动推荐
腾讯云开发者
