1回答
我正在运行一个相当简单的Keras分类，基于30个特征。我还不明白的是，如果我增加进入模型的行数，为什么损失函数会变得更加不稳定： df = pd.read_csv("cancer_classification.csv")from tensorflow.keras.layers import Dense, Dropout
# ---> (50= pd.DataFrame(model.
浏览 35提问于2020-04-11得票数 0
在培训我的LSTM (使用Python中的Keras库)时，验证损失不断增加，尽管它最终确实获得了更高的验证精度。这就引出了两个问题：这是我的LSTM的一个示例历史日志，它适用于：将历元0与历元~430进行比较时，可见：对于
浏览 0提问于2021-01-24得票数 0
我正在尝试用Keras编写一个加权的二进制交叉熵的自定义损失函数。然而，当我使用自定义损失函数编译我的模型时，损失和准确性都下降了。通常，当我使用普通的BCE训练模型时，准确率约为90%，但当我使用自定义损失函数时，准确率下降到3-10%。weighted_crossentropy_wrapper()
model.compile(Adam(init_lr), loss=wcel, metrics=["acc
浏览 27提问于2019-09-17得票数 1
1回答
在VGG上进行传输学习时，要使用相当数量的数据，并采用以下配置：model_big_3.add(base_big(), optimizer=tf.keras.optim
浏览 3提问于2021-02-07得票数 0
回答已采纳
我不确定是什么导致了这个错误，因为在几次重新启动后，模型显示出与原始性能相似的性能，但现在它又回到了25%的准确率。请参考图片和下面的型号规格。Model Summary model_fm = tf.keras.Sequential([ <em
浏览 31提问于2021-11-03得票数 0
1回答
我在Keras的自定义损失函数上遇到了问题。这些任务看起来相当简单，但由于意外的行为而无法进行。首先我想确认，如果我只是在自定义损失函数中使用稀疏分类交叉，它不会改变网络训练。但是，当我定义自定义损失时 ls = tf.keras.losses.SparseCategoricalCrossentropy()训练和验证准确率下降到0.09...没有希望得到适当的训练。Te
浏览 0提问于2020-08-16得票数 1
1回答
验证精度波动不定。
、、、、
) con_l3 = tf.keras.layers.Conv2D(64, (5, 1), activation="relu")(con_l2)
con_l4 = tf.keras.layers.Conv2D(64, (5, 1), activation="relu(monitor=
浏览 2提问于2021-11-02得票数 1
1回答
我正在训练一个用于多目标回归的Keras模型，使用一个自定义的损失函数，目的是使该损失函数的预测精度低于0.01。从损失函数的下面图可以看出，训练损失和验证损失迅速低于目标值，训练损失趋近较快，验证损失在训练损失值上不断波动。虽然损失低于目标阈值，但我想知道这样的波动是否能反映模型拟合的一些问题？或者，验证集的大小太小(
浏览 0提问于2018-08-06得票数 1
1回答
我正在尝试实现一个自定义的损失函数。因此，我首先尝试通过直接封装一个默认的keras损失函数来创建一个自定义函数。tf.keras.losses.categorical_crossentrophy 但它并没有起作用。这怎么可能？我在过去使用过自定义函数，就在今天，这让我感到震惊。为什么它不起作用？@tf.function output = t
浏览 40提问于2020-10-18得票数 0
我得到了%99的准确率和微小的损失。 ? 另一方面，我想使用ImageDataGenerator。我什么都没改变。据我所知，我应该能够得到相同的结果，但我经常得到0.05左右的准确率和3.5左右的损失。 ? (),tf.keras.layers.Dropout(0.5),
tf</e
浏览 28提问于2020-12-20得票数 0
由于某些原因，精度没有比历次提高，给出了与历元1和历元2、3等相同的结果。下面是我的模型： model = tf.keras.Sequential([ tf.keras.layers.Conv2D='relu'), <
浏览 3提问于2022-07-17得票数 0
我选择sigmoid作为激活函数，shape (2, 2, 1)和optimizer=SGD()。我选择batch_size=1是因为问题的全局性是4，所以真的很小。问题是，预测结果甚至与正确答案相去甚远。我做错了什么？ 我在Google Colab上这样做，Tensorflow的版本是2.3.0。()model.add(tf.keras.layers.Dense(2, activation=tf</e
浏览 46提问于2020-11-04得票数 3
回答已采纳
1回答
这是x_train和y_train的样子：这是我创建的神经网络：dnnmodel.add(tf.keras.layers.Dense(40, input_dim = len(id2word), activation='relu'))dnn
浏览 2提问于2020-08-22得票数 0
但当我尝试使用Tensorflow构建相同的模型时，它产生的精度很低，损失变化很小。但是当在Keras中使用相同的数据和模型时，它确实产生了非常好的结果。import Sequentialfrom keras.optimizersimport SGD
model = Sequential
浏览 16提问于2017-01-20得票数 1
回答已采纳
运行几次后，结果如下
我不知道为什么这个模型表现出不同的行
浏览 5提问于2020-01-14得票数 2
回答已采纳
1回答
我正在研究一个多输出模型，在计算最终的训练损失之前，我需要检查每个输出分支的样本损失。我怎样才能做到这一点？现在，我正在使用model.fit()方法，这给出了每个分支的批处理总损失和个人损失。下面是我使用的自定义函数： def train_step(self, data):
with tf.GradientTape()
浏览 6提问于2021-04-01得票数 1
回答已采纳
我想使用三重损失和软加函数来训练一个十流神经网络，就像在文章“为个人重新识别的三重损失进行辩护”(2017)中使用的那样。我找到了损失函数如何使用tfa.losses.TripletSemiHardLoss()和tf.nn.softplus()函数，但我不能同时使用它们。我想训练的网络是： model1 = tf.keras.Sequential([
tf.keras.layers.Conv
浏览 71提问于2021-06-18得票数 0
回答已采纳
1回答
波动学习曲线
、、
model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(input_shape=(300, 300)),
tf.keras
浏览 1提问于2019-07-24得票数 1
回答已采纳
1回答
我想要一个具有这种正则化的损失函数:对于每个预测，如果预测点的范数低于0.9或大于1，我希望应用正则化。tf.norm(y_pred, axis = 1)return tf.where(tf.logical_and(tf.greater我尝试了在keras环境之外的损失，它似乎是有效的。tf.less(n, 2)),
a
浏览 12提问于2019-06-21得票数 1
回答已采纳
假设我有以下用Tensorflow 1.x编写的代码，其中定义了自定义丢失函数。我希望删除.compat.v1.、Session、placeholder等，并将其转换为Tensorflow 2.x。.placeholder(tf.float32, [None,1])t_boundary_2_tnsr
浏览 5提问于2022-10-28得票数 0
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
腾讯会议
云直播
对象存储活动推荐
腾讯云开发者
