1回答
我使用的是Keras 2.2.4。我训练了一个模型，我想用新的数据内容(图像分类)每30个时期微调一次。 每天我都会向类中添加更多的图像来为模型提供支持。每隔30个时期对模型进行重新训练。我使用两个条件，第一个条件是以前没有训练过模型，第二个条件是模型已经训练过了，然后我想用新的内容/类对其进行微调。=========T
浏览 10提问于2019-02-27得票数 0
回答已采纳
2回答
我有一个名人数据集，我想在其上对keras内置模型进行微调。到目前为止，我已经探索和做了什么，我们删除原始模型的顶层(或者最好是通过include_top=False)并添加我们自己的层，然后训练我们新添加的层，同时保持以前的层不变。这整件事很像是直觉。现在我需要的是，我的模型学会识别名人面孔，同时也能够检测到
浏览 3提问于2019-09-20得票数 4
ResNet152说，是否有可能加载一个预先训练过的模型，然后在特定层中冻结某些权重，并在这些特定层中微调其他层的权重？例如：我似乎想不出一个可靠的方法来实现这一点。我想也许加载两次预先训练的模型，
浏览 7提问于2022-02-11得票数 0
我的模型总结是：==========================___________________当我使用以下功能重新训练这个模型时
浏览 0提问于2019-06-28得票数 2
假设我想微调mobilenetV2模型的最后50层。我要做的第一件事就是增加一个新的分类头。我有时读到，在解冻我想微调的50层之前，这个新的头应该完全接受的训练。这真的是必要的吗，还是我可以立即重新训练这50层再加上新的分类头？
浏览 2提问于2022-04-15得票数 0
1回答
微调输入大小较大的模型
、、、、
我在想，用更大的输入量对模型进行微调是否有意义？理想情况下，我希望拥有的属性：
更大的输入尺寸:在模型中进料前不要向下取样.也许有更大的步幅？具体来说，我正试图用特定的标签集对Keras中的InceptionV3进行微调。我想要更大的数据大小，因为我希望模型能够隐式地学习一些重要的字符。对于InceptionV3默认大
浏览 0提问于2019-01-05得票数 0
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。在我们的
浏览 0提问于2017-03-20得票数 2
目前，我正在尝试使用经过预先训练的BertModel进行细化。如何在微调之前从模型中删除一些层？我试过这样的方法： copyOfModel.bert.encoder.layer = newModuleList
return copyOfM
浏览 14提问于2022-11-03得票数 0
2回答
从较低的fc层微调CNN
、、、、
我注意到，CNN对新数据集的大多数微调只在“最后”完全连接(fc)层上进行。我对从“第一层”完全连接的层进行微调感兴趣:也就是说，我想使用卷积和池层的中间特性(假设它是在ImageNet上训练的)，然后将所有fc层安装到我的新数据集中。它是否可能为我的新数据集学习一组更合适的参数？
浏览 5提问于2015-09-12得票数 2
回答已采纳
假设我创建了一个简单的完全连接的网络：import chainer.functions as Ffrom chainerF.relu,)
y = model(x)
我想用n_out输出来训练这个模型，然后，在对它进行训练之后，在微调网络之前添加额外的输出。我已经找到了<
浏览 5提问于2019-10-23得票数 1
回答已采纳
为了进行优化，您将使用来自CIFAR-100数据集的“bus”和“tiger”类的数据。您的任务是了解如何对预先训练的CNN模型进行微调，使用训练数据(我认为每个类有500张图像)“bus”和“tiger”类对网络进行微调，并使用相同2个类的测试数据(每个类100张图像)验证准确性。可以在预先训练的模型的所选层上执行微调。当您微调最后一层
浏览 3提问于2019-11-14得票数 2
1回答
在转移学习中，通常只对网络的最后一层使用梯度下降进行再训练。然而，普通神经网络的最后一层只执行线性变换，那么为什么我们使用梯度下降而不是线性(或logistic)回归来细化最后一层呢？
浏览 0提问于2021-04-02得票数 1
12回答
我有一个包含灰度图像的数据集，我想对它们进行最先进的CNN培训。我非常想微调一个预先训练过的模型(像那些)。问题是，我可以找到的几乎所有模型都是在包含RGB图像的ImageNet数据集上进行训练的。我不能使用其中的一个模型，因为在我的例子中，它们的输入层需要一批形状(batch_size, height, width, 3)或(64, 224,
浏览 2提问于2018-08-24得票数 78
回答已采纳
我正在使用一个模型(SimCLR)从图像中学习表示。在训练前，模型是针对单个虚拟标签进行训练的。现在我想用8类数据对模型进行微调。当将经过预先训练的模型检查点加载到具有8级头部的尚未经过精细调整的模型时，我遇到了一个ValueError。ValueError: Tensor's shape (2048, 1) is not compatible with supplied shape [2048, 8]
在
浏览 0提问于2021-08-11得票数 0
在我的分类任务中，我必须对inception V3预训练模型进行微调。然而，当我在互联网上搜索时，似乎只能微调这个模型的最后一层。我希望微调所有的层，或者至少是完全连接的层，而不仅仅是顶层。有谁有解决这个问题的办法吗？
谢谢
浏览 2提问于2017-05-22得票数 0
1回答
我在互联网上看到了许多关于如何微调VGG16和InceptionV3的例子。例如，一些人会在微调VGG16时将前25层设置为冻结。对于InceptionV3，头172个层将被冻结。但是resnet呢？当我们进行微调时，我们将冻结一些基本模型的层，如下所示：
base_model = ResNet50(实际上，当我使用VGG16、VGG1
浏览 6提问于2017-10-11得票数 2
我需要从一组图像的视觉特征，以便有一种嵌入的输入图像。我需要的维数是128。我考虑删除预先训练过的模型(如ResNet50 )的最后一层，而不是用平坦层替换最后一个完全连接的层，并对每幅图像进行前向传递。问题是，在扁平层之后，ResNet50给出了一个512个模糊的特征向量。如果我添加另一个输出dim为128的完全连接层，我需要
浏览 1提问于2021-10-03得票数 0
回答已采纳
2回答
神经网络的微调
、、
我最近读过关于微调的文章，我想知道的是，当我们对模型进行微调时，是否有必要冻结模型，只训练模型的顶部，然后解冻一些层，然后再重新训练模型，或者直接从解冻一些层开始？到目前为止，我已经读到没有直接解冻层，因为这样我们就有可能失去早期层捕获的重要功能。
浏览 0提问于2019-11-25得票数 0
回答已采纳
我有一个模型，它由卷积层和完全连接的层组成。我在fer数据集上训练了这个模型。这是一个输出数等于8的分类问题。在训练了这个模型之后，我保留了完全连接的层，并且只用一个新的层替换了最后一个层，该层有3个输出。因此，其目的是在训练输出层的同时对完全连接的层进行微调。因此，我在一开始就使用了一个优化
浏览 0提问于2018-10-24得票数 2
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
对象存储
腾讯会议
云直播活动推荐
腾讯云开发者
