对于非图像数据集，使用来自tf.keras.applications的已定义模型的体系结构的最佳方式是什么？
对于非图像数据集，使用来自tf.keras.applications的已定义模型的体系结构的最佳方式是进行迁移学习。
迁移学习是指利用预训练的模型在新的任务上进行微调或特征提取的技术。tf.keras.applications提供了一系列经过预训练的模型，如VGG16、ResNet50、InceptionV3等，这些模型在大规模图像数据集上进行了训练，具有强大的特征提取能力。
对于非图像数据集，可以将预训练模型的体系结构作为特征提取器，将其前面的卷积层固定住，只训练后面的全连接层或其他分类器。这样可以利用预训练模型学习到的图像特征来提取非图像数据集的特征，然后使用这些特征进行分类或回归等任务。
具体步骤如下：
- 导入所需的模块和数据集。
- 加载预训练模型，如VGG16。
- 冻结预训练模型的卷积层，使其参数不可训练。
- 构建新的模型，将预训练模型的卷积层作为特征提取器。
- 添加全连接层或其他分类器，根据任务需求进行设计。
- 编译模型，设置损失函数和优化器。
- 训练模型，调整全连接层或其他分类器的参数。
- 在测试集上评估模型的性能。
使用tf.keras.applications的预训练模型进行迁移学习的优势包括：
- 可以利用大规模图像数据集上训练得到的强大特征提取能力。
- 可以节省训练时间和计算资源，因为只需微调或训练少量的参数。
- 可以避免从头开始训练模型，减少过拟合的风险。
适用场景包括但不限于：
- 自然语言处理任务，如文本分类、情感分析等。
- 时间序列数据分析，如股票预测、天气预测等。
- 数值型数据分析，如房价预测、销量预测等。
腾讯云相关产品和产品介绍链接地址：
- 腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）
- 腾讯云自然语言处理（https://cloud.tencent.com/product/nlp）
- 腾讯云数据分析（https://cloud.tencent.com/product/dla）
- 腾讯云人工智能（https://cloud.tencent.com/product/ai）
相关·内容
1回答
微调的正确方法--把一个完全连接的层训练成一个单独的步骤
neural-network、deep-learning
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。在我们的情况下，这就是为什么我们首先训练顶级分类器，然后才开始与它并排微调卷积权。”
因此，作为微调的另一步，它们在全连通层(“瓶颈特征”)之前保存最后一层的输出，然后对这些特征进行“小的全连通模型”的训练，然后将新训练的全连通层置于整个网络的顶部，并训练“最后的卷
浏览 0提问于2017-03-20得票数 2
1回答
为什么我需要在转移学习中接受训练。
machine-learning、deep-learning、classification、vgg-net、transfer-learning
我正在用一些预先训练过的模型(vgg16，vgg19，…)学习迁移学习。，我不知道为什么我需要加载预先训练的重量来训练我自己的数据集。
我可以理解数据集中的类是否包含在预先训练过的模型所用的数据集中。例如，VGG模型在Imagenet数据集中使用1000个类进行训练，而我的模型是对图像集中的猫狗进行分类。但在这里，我的数据集中的类不在此数据集中。那么，训练前的体重有什么帮助呢？
浏览 0提问于2019-01-22得票数 2
回答已采纳
1回答
如何使用ResNet或VGGNet进行图像分类
machine-learning、deep-learning、conv-neural-network、transfer-learning、pre-trained-model
我是深度学习的新手，我试图在我自己的道路和草地二元分类数据集上实现ResNet和VGGNet体系结构。
当我使用预先训练过的ResNet或VGG模型时，它们不会将图像分类为道路和草地
我想学习如何手动设置输出类。
浏览 7提问于2022-12-01得票数 0
回答已采纳
2回答
特征提取采用深度学习，分类采用but或其他ML算法。
machine-learning、deep-learning、classification、feature-engineering、feature-extraction
用深度学习进行特征提取，同时利用传统机器学习或增强技术进行分类，是否合乎逻辑？
如果使用ML算法进行分类，而不是用深度学习方法进行特征提取，那么使用ML算法可以吗?我知道，如果特征工程成功，该模型将自动取得良好的效果。
例如:如果我想做一个文本分类问题，我是否可以建立这样一个模型( RNN块的堆栈+ Adaboost)，其中RNN块执行特征提取，Adaboost进行分类？说得通吗？
我提出了一种采用集成深度学习框架进行特征提取的体系结构，但是，我是否可以将集成框架与传统的ML或增强算法结合起来进行分类呢？会不会是件多余的事？
浏览 0提问于2022-10-27得票数 1
1回答
机器学习--训练医学图像
tensorflow、medical
我正在尝试创建基于深度神经网络的分类器，用于胸部X光检查是否有肺结核。我读到迁移学习技术可以使用初始模型v3来实现。我的问题是，初始模型是通过使用imagenet(物理对象)训练创建的，对吗？如何将其用于医学图像训练？
浏览 0提问于2019-12-04得票数 1
2回答
为什么我们在include_top=False中使用像InceptionResnetV2这样的预先训练过的模型呢？
tensorflow、keras、deep-learning、conv-neural-network
使用预先训练的Imagenet模型进行图像分类。在讨论中，我无法理解include_top = False，我知道它在结束时删除了完全连接的层。另外，我想知道如何确定哪种预先训练过的模型用于哪种图像分类任务？
浏览 0提问于2019-01-06得票数 3
1回答
为什么我不能使用预先训练的convnet来增强数据呢？
convolutional-neural-network、beginner、data-augmentation
用Python阅读Fran ois Chollet的深度学习。在5.3.1节中，我们实例化了一个经过预先训练的convnet，VGG16，并给出了两个继续操作的选项：
( A)在数据集上运行卷积基，将其输出记录到磁盘上的Numpy数组，然后将这些数据作为输入输入到与本书第1部分类似的独立、紧密连接的分类器中。该解决方案运行速度快，成本低，因为它只需要对每个输入图像运行一次卷积基，而卷积基是管道中迄今为止最昂贵的部分。但出于同样的原因，这种技术不允许您使用数据增强。( B)扩展您拥有的模型(conv_base)，在顶部添加密集的层，并在输入数据上端到端地运行整个过程。这将允许您使用数据增强，因为
浏览 0提问于2019-04-10得票数 3
回答已采纳
2回答
图像数据集是否线性可分？
svm
我有6个类别的图像数据集(来自Kaggle的番茄病)。使用预先训练过的模型vgg16，我提取特征，然后将它们压平成一维特征向量。然后，将该向量作为线性核支持向量机分类器的输入。
如何测试我的图像数据集是否是线性可分的？在支持向量机分类器中应用不同的核函数，得到了线性核的最佳结果，是否意味着我的图像数据集是线性可分的？
浏览 5提问于2021-02-05得票数 0
回答已采纳
1回答
插入预先训练的模型之上的嵌入从另一个预先训练的模型，如何使输入尺寸工作？
machine-learning、deep-learning、neural-network、pytorch、computer-vision
我正在试验一个预先训练过的模型(例如VGG，AlexNet等)。在从另一个模型输出的嵌入的顶部。我认为，对我来说唯一不清楚的部分是，我将如何使输入维度与新增加的预培训模型一起工作？更具体地说：
classificationPre-trained 从预训练的模型1中获取图像的嵌入，将它们插入到经过预训练的模型2中，以执行图像2，需要具有特定形状的RGB图像3、x、x，而我只有shape512.的嵌入。
是否有任何方法可以让它工作，这样我就可以输入一个已经处理过的图像嵌入到另一个预先训练过的模型中，并成功地执行图像分类？
浏览 1提问于2021-09-20得票数 0
1回答
深度置信网络与卷积神经网络在非图像分类任务中的性能
machine-learning、conv-neural-network、unsupervised-learning、multiclass-classification、dbn
在本文中，作者指出，为了更好地分类，在训练分类器之前，使用生成模型来初始化模型和模型特征。通常需要它们来解决单独的无监督和有监督的学习问题。生成受限Boltzmann机器和深度信念网络被广泛应用于无监督学习目的。
我的问题是，如果我要通过无监督学习来完成一项非图像多类分类任务，那么在不考虑数据集也很重要这一事实的情况下，使用深度信念网络或卷积神经网络更好吗？
与图像分类任务相关的一个类似问题在这里被问到了。答案指出，DBN在非图像分类任务上可能比CNN表现更好，但是否有任何证据可以证明这一点，或者有任何论文对此进行了更深入的探讨？
浏览 10提问于2020-01-28得票数 0
回答已采纳
3回答
我们能不能为它没有接受过训练的类提取VGG16 16/19特性？
python-3.x、keras、deep-learning、feature-extraction、vgg-net
对于为我的实验提取VGG16 16/VGG16 19特性，我有一个疑问。
预先培训的VGG16和VGG19模型已经在有1000个类的ImageNet数据集上进行了培训(例如c1，c2，.c1000)，通常我们从指定的第一层和第二层('FC1‘和’FC2‘)中提取特征，然后将这4096维特征向量用于计算机视觉任务。
我的问题是，我们能否使用这些网络来提取不属于上述1000个类中任何一个的图像的特征？换句话说，我们可以使用这些网络来提取带有标签c1001的图像的特征吗？请记住，c1001不属于这些网络最初接受培训的Imagenet类。
在上提供的文章中，我引用了以下内容-
在进行特征提取时
浏览 6提问于2020-08-26得票数 2
回答已采纳
3回答
确定描述符K-均值聚类中的簇数
machine-learning、clustering、k-means
我是机器学习领域的新手，我有一个问题要问。但让我先发布这个问题。
问题:问题很简单。我想将图像分类为类别-1(“包含垃圾的图像”)或类别-2(“不包含垃圾的图像”)。垃圾在单词的每一个字面意义上都被使用。
我选择了解决方案:在大多数情况下，解决方案也是非常简单的。利用SIFT、SURF等算法提取兴趣点，得到这些关键点的描述子，并用K均值算法对其进行聚类。然后使用这些聚类数据生成单词包，然后从那里开始。
我无法理解的是我可能需要的集群数量。对上述例子的任何帮助都将不胜感激。
浏览 0提问于2016-12-26得票数 0
1回答
哪种模式可以将日常照片归类为膳食/人/风景，而不是特定的对象？
tensorflow、machine-learning、image-classification
我想对日常照片进行分类，简单地分为餐、人、宠物、风景、旅游等。我发现图像分类模型都是基于数据集(如ImageNet2012 )的，这些模型的输出都是对象预测，偏离了我的要求。什么样的模型和数据集能满足我的需求？或者，除了神经网络，甚至除了机器学习之外，还有其他方法吗？
浏览 4提问于2020-12-11得票数 0
回答已采纳
1回答
在训练深度学习模型时，什么时候应该使用预先训练好的权重？
machine-learning、deep-learning、conv-neural-network、image-recognition、object-detection
我对训练一系列图像和对象检测模型很感兴趣，我想知道何时使用像VGG16这样的网络的预训练权重的一般规则是什么。
例如，很明显，微调预先训练好的VGG16 imagenet模型权重对您正在寻找子集ie很有帮助。猫和狗。
然而，对于我来说，如果你正在训练一个有300个类的图像分类器，其中只有一些是预训练模型中的类的子集，那么使用这些预训练的权重是否是一个好主意就不太清楚了。
围绕这一点的直觉是什么？
浏览 36提问于2017-08-06得票数 1
回答已采纳
1回答
如何提高深度学习中的回忆价值？
python、tensorflow、keras
我正在应用vgg16作为特征提取方法，但是我的导师要求高召回率。(90%~95%)。我将解释我的数据集--我的数据在雾天被标记为交通标志的视频(它们被标记为可见的、不可见的、生存能力差的)--我从视频中提取帧作为图像，并将数据随机存储在培训和测试/val文件夹中，我试图应用深入学习来对图像进行分类。正如你所看到的，我的模型做得很好，但不是很好。我不能从我的老师那里得到更多的视频。
如何改进我的模型？
可以为我的模型添加更多的层吗？
可以将特征提取基模型提供给我创建的conv2d模型吗？
我可以应用vgg16的提要特征提取来传递学习吗?
如何将特征提取vgg16提供给svm?
BATCH
浏览 1提问于2022-11-25得票数 -1
2回答
SSD和Mobilenet的区别
machine-learning、neural-network、object-detection
我把SSD和mobilenet搞混了。据我所知，它们都是神经网络。SSD提供本地化，而mobilenet提供分类。因此，SSD和移动网络的结合可以产生目标检测。这张图片来自。SSD的默认分类网络是VGG-16。因此，对于SSD Mobilenet，VGG-16将替换为移动网络。我的陈述正确吗？
我在哪里可以获得更多关于SSD Mobilenet的信息，特别是在Tensorflow模型动物园上提供的信息？
浏览 2提问于2018-05-29得票数 4
7回答
为什么VGG-16训练的准确性没有多大变化？
python、tensorflow、keras、deep-learning
目前，我正试图在VGG-16模型上训练一个数据集。问题是，准确性没有太大的变化，但它并没有坚持一个固定的准确性。图中的情节如下。有什么建议吗？
我遵循了几个指南来解决这个问题，这个问题是关于卡住的准确性，但它们不起作用。
编辑：
200年代
具有Imagenet权值的50个历元
代码
该模型的输入大小为224x224x3的600幅图像。此外，两个标签狗和猫(0,1)。
性质
imageSize = (224,224,3)
epochs = 25
batch_size = 32
模型
from keras.applications.vgg16 import VGG1
浏览 0提问于2019-05-19得票数 5
1回答
CNN模型所使用的哪些功能应该被功能存储在实际中？
deep-learning、image-classification、feature-engineering、convolution、mlops
根据MLOPs原理，建议使用特征存储。问题在于如何利用卷积神经网络这样的深度学习模型进行图像分类，该模型作为训练过程的一部分进行自动特征工程(使用卷积层)。
问题
对于纯图像分类/分割模型，有一个特征存储有意义吗？
哪些特性应该存储在功能存储中？卷积层的输出？但是在训练过程中，它们不能被重用，因为在训练过程中，它们会被卷积层重建。
浏览 0提问于2021-02-09得票数 0
2回答
高分辨率图像分类
machine-learning、tensorflow、pre-trained-model
通常，像VGG16 / Inception等经过预先训练的网络以低分辨率工作，比如<500 pre。
是否有可能在预培训的 VGG16 /盗梦空间的第一层之前添加一个或两个高分辨率卷积层，以使网络能够消耗高分辨率图片？
据我所知，第一层最难训练，它需要大量的数据和资源来训练它。
我想知道是否有可能冻结预先培训的网络，只在普通GPU卡和大约3000个例子上训练新附加的高分辨率层？能在几个小时内完成吗？
此外，如果你知道任何例子，如何使用高分辨率图像进行图像分类，请分享该链接。
附注：
通常的降尺度方法的问题是，在我们的例子中，微小的细节，如微小的裂缝或微小的污垢点是非常重要的，它们在低分辨
浏览 5提问于2017-06-22得票数 3
2回答
对于Keras VGG16，我需要预先训练的权重吗？
machine-learning、python、keras
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。以下是一些相关代码：
video = keras.Input(shape = (None, 255, 255, 3), name = 'video')
cnn = keras.application
浏览 0提问于2017-07-29得票数 4
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
即时通信 IM
ICP备案
对象存储
实时音视频活动推荐
腾讯云开发者
