提高CNN模型对水果分类的精度- Pytorch
为了提高CNN模型对水果分类的精度，可以采取以下措施：
- 数据预处理：对水果图像数据进行预处理，包括图像增强、标准化和裁剪等操作，以提高数据的质量和一致性。
- 模型选择和设计：选择适合水果分类任务的CNN模型，如VGG、ResNet或Inception等，并根据具体需求进行模型设计和调整。可以通过增加或减少卷积层、池化层、全连接层等来优化模型的性能。
- 数据增强：采用数据增强技术，如旋转、翻转、缩放等操作，来扩充训练数据集的大小，提高模型的鲁棒性和泛化能力。
- 超参数调优：通过网格搜索、随机搜索或贝叶斯优化等方法，调整模型的超参数，如学习率、批量大小、优化器等，以获得更好的性能。
- 迁移学习：可以利用已经在大规模图像数据集上预训练好的模型，在水果分类任务上进行微调，以加快训练速度和提高分类精度。
- 模型集成：通过集成多个不同的CNN模型，如投票法、平均法或堆叠法，可以进一步提高分类精度。
- 模型评估和调优：使用合适的评估指标，如准确率、精确率、召回率和F1-score等，对模型进行评估和调优，以找到最佳的模型配置。
针对PyTorch平台，推荐的腾讯云产品是腾讯云PyTorch镜像，该镜像提供了预安装了PyTorch和相关依赖库的环境，方便进行模型开发和训练。具体产品介绍和链接地址如下：
腾讯云PyTorch镜像：https://cloud.tencent.com/document/product/1117/40445
相关·内容
1回答
我刚刚完成了CNN二元分类模型的训练。后来创建了两个图表，但由于我对机器学习非常陌生，所以我不了解它们的状态。有人能告诉我我的模型性能好吗。谢谢。
📷
📷
浏览 0提问于2022-10-12得票数 0
我正在使用Pytorch进行图像分类。我正在寻找在ImageNet以外的数据集上预先训练的CNN模型，我找到了一个指向".ckpt“文件的链接。我还找到了使用Tenserflow加载此文件的教程，但没有使用pytorch。如何从".ckpt“文件中使用Pytorch加载预先训练好的模型？
浏览 295提问于2019-11-25得票数 1
回答已采纳
我感兴趣的是在PyTorch中训练一个CNN模型和一个简单的线性前馈模型，并在训练之后将更多的滤波器添加到CNN层和神经元-线性模型层和两者的输出(例如，从二分类到多类分类)。通过添加它们，我的具体意思是保持训练的权重不变，并将随机初始化权重添加到新的传入权重中。
这里有一个CNN模型的例子和一个简单的线性前馈模型的例子。
浏览 18提问于2021-02-26得票数 2
回答已采纳
2回答
我试图用python编码一个水果图像分类器，尝试对7个水果进行分类。我有15077张train_set图片和4204张validation_set图片。我为10个时代编写了代码，我得到的结果如下：
对15077个样本进行训练，在4204个样本上验证: 1/10 15077/15077 ============================== -264 s 17 10/阶跃损失: 1.0652 -精度: 0.5325 - val_loss: 0.3722 - val_accuracy: 0.8428 Epoch 2/10 15077/15077 =======================
浏览 7提问于2020-05-04得票数 0
回答已采纳
1回答
图像分类Pytorch
、、、
如何确定CNN的层数和最终模型，以提高预测的准确性。我正在对图像进行分类，目前用简单的模型获得了65%的准确率，我应该如何增强它才能达到最大的准确率。(Pytorch)
浏览 3提问于2018-12-02得票数 0
我正在使用英特尔Pytorch扩展(参考https://github.com/amitrajitbose/cat-v-dog-classifier-pytorch)开发狗-猫分类器。我想减少我的模型的训练时间。如何在代码中启用混合精度？参考了这个github(https://github.com/intel/intel-extension-for-pytorch)来训练我的模型。
浏览 74提问于2021-10-01得票数 0
1回答
我正在使用CNN对无线信号进行分类。同时，我遇到了一些奇怪的问题-当训练集准确率为80%时，我获得了79%的测试集准确率，但当trianset准确率为93%时，测试集准确率下降到了71%。以前有没有人遇到过同样的问题？ 我的网络是基于keras + tensorflow的。net的细节是： CNN(512,(2,2),tanh)
Batch_normaliztion
flatten()
DNN(512,elu)
DNN(256,elu)
DNN(128,softmax)
opt=adam
loss = mse 谢谢
浏览 38提问于2020-07-26得票数 0
1回答
我正在使用CNN在Chainer中对细胞图像进行分类。随着主/训练精度的提高，模型的验证精度也在下降。我想知道为什么验证准确率在下降，有什么方法可以提高验证准确率。 数据形状为( 32，3，60，80)，其中32是批量大小，3是通道，60和80分别是高度和宽度。 我已经在除最后一层之外的所有层中应用了relu和dropout。在该模型中，即使在50个时期之后，训练和验证精度也是不变的。下面给出的模型显示主/训练精度从0.78逐渐增加到0.98，验证精度在100个时期后从0.79变化到0.66。 model = Sequential(
L.Convolution2D(None, 128
浏览 24提问于2019-01-08得票数 1
回答已采纳
我用CNN进行了水果分类，但是我停在了一个所有事物都在正确的时候，混淆矩阵的准确性评分都是正确的，似乎没有过度拟合，但它总是分类错误的水果。为什么会发生这种事。下面提供到源代码的链接。谢谢!
Github源代码链接
浏览 0提问于2020-06-26得票数 1
回答已采纳
1回答
我正在创建一个CNN模型，用于对数据进行分类。有150个特性(表示为列)，每个特性的标签为1到9。问题是，我对如何在Keras中使用它感到困惑，因为标签中有很多不同的特性，这些特性可以以100,150的尺寸显示，而尺寸为100,1的标签。如果能帮助理解如何在Keras模型上正确地训练这些数据，将不胜感激。
#Reshape data to add new dimension
X_train = X_train.reshape((100, 150, 1))
Y_train = X_train.reshape((100, 1, 1))
model = Sequential()
m
浏览 0提问于2019-10-04得票数 2
回答已采纳
我正在训练一个CNN模型，它需要对4个物体进行分类。3个杯子(白色，黑色，蓝色)和1个玻璃杯。当我训练我的模型只有10个时代，我得到了25%的验证准确性，其中所有的东西都被标记为白色杯子。然而，当我训练同样的模式更长的时间，它最终偏离了这25%的准确性，并上升到80%，它唯一的问题，是分类的白色杯子。
换句话说，如果我能够找到为什么我的分类器错误地分类白色杯子，那么我可能达到90%的validation_accuracy。因此，我的问题是，有什么东西我可以尝试找出为什么它预测错误，或改善的东西。我已经用石灰来检查为什么我的模型分类，但我不能从它得到更多的智慧。
模型的一些规格：
无数据增强5卷
浏览 4提问于2020-05-28得票数 1
2回答
我正在尝试建立cnn模型(keras)，它可以根据用户的情绪对图像进行分类。我对数据有问题。我有很小的训练数据。增加数据会有帮助吗？它能提高精确度吗？在这种情况下，人们应该选择增加数据，并应避免？
浏览 3提问于2017-10-20得票数 1
回答已采纳
我对神经网络和机器学习非常陌生，我已经得到了一个由图像组成的数据集，用于用CNN进行多类图像分类。
这些图像已经被分成了几个类，我注意到其中一些图像与它们所属的类完全不同，例如，如果我有一个类水果，带有水果图像，在这个类的文件夹中，我有一些汽车的图片，人物，.，当然，它们不是水果，也不属于分类问题中的任何其他类。
问题是，当我训练我的CNN时，这会产生一些问题，这会导致低精度，事实上我不能超过0.5。
我该如何处理这样一个事实:我的图像与它们所属的类不一致？
浏览 0提问于2020-12-11得票数 0
回答已采纳
1回答
在CNN分类模型训练中，在计算损失时，我在PyTorch中对图像应用编码jpeg压缩。当我调用loss.backward()时，它还必须通过对图像执行的编码和压缩操作进行反向传播。
这些压缩算法(例如编码和JPEG压缩)是否是可微的，否则如何通过这些操作反向传播损失梯度？
如果这些操作不是可微的，那么在执行H.264编码和JPEG压缩的PyTorch中是否存在可微压缩算法？
任何建议都会很有帮助。
浏览 9提问于2020-04-10得票数 2
我使用MNIST数据集训练了一个CNN模型，现在想要预测图像的分类，其中包含一个数字3。
但是当我尝试使用CNN进行预测时，pytorch给了我这个错误：
TypeError: 'collections.OrderedDict' object is not callable
下面是我写的内容：
cnn = torch.load("/usr/prakt/w153/Desktop/score_detector.pkl")
img = scipy.ndimage.imread("/usr/prakt/w153/Desktop/resize_num_three.
浏览 9提问于2018-01-24得票数 3
1回答
提高CNN图像分类精度的方法
、、、、
我目前正在做一项图像分类任务，涉及到大量的动画灰度图像数据集，我的CNN需要对它们进行分类。Atm模型的测试精度约为88%，但我知道较高的精度是可能的。
我试过：
改进/改变实际模型/体系结构
使用不同的元参数
与pytorch库不同的损失函数
一堆不同的变换
与torch.optim不同的优化
我也尝试了一些标准模型包括在torchvision.models和仍然获得低于90%的测试集的准确性。
我只是需要继续尝试以上的事情，以挤出更高的准确性，还是有其他的途径，我可以尝试？如果有任何建议的话，我唯一能想到的就是为数据集做一个定制的损失函数，但我不确定这会有多大帮
浏览 2提问于2021-08-01得票数 0
1回答
我有41个样本和6个预测因子的数据集。在Matlab中，我使用了树作为分类树。尽管oob误差很高，但该模型对41个标签进行了准确的预测。
但在此基础上，我尝试用k折叠交叉验证模型，验证准确率仅为41%。我对此感到困惑。
我的另一个问题是，当我试图交叉验证一个已经建立的集成模型时，k折叠算法是如何工作的。任何帮助都会很感激的。
浏览 0提问于2018-04-02得票数 0
回答已采纳
1回答
在分类、目标检测、分割等任务中，给定的深度cnn模型的性能如何随类数的变化而变化？
例如，移动网络v2在使用PASCAL进行分类任务时提供了大约90%的准确率；现在，如果我们用两个类(比如人和狗)训练相同的网络，它将如何影响准确性、速度和模型大小？(例如，使用tensorflow).Also，在对象检测和语义分割(特别是)等任务中会是什么情况？
我们能否使网络变得更小，以便从较小的数据集(2个类)中学习，以达到相同或更好的精度和速度？
浏览 0提问于2019-01-01得票数 3
我正在做一些辅助项目，涉及到将ML模型部署到边缘。其中一个是照片编辑应用程序，其中包括用于面部识别、物体检测、分类和风格转移的CNN应用程序。另一个是NLP应用程序，通过建议单词和句子补全来帮助写作过程。
一旦我有了一个准确的训练有素的模型，它在我正在测试的一个或多个移动设备(通常是低端的Android)上会变得非常慢。我读到有一些优化可以提高模型的速度，但我不知道怎么做。有没有一个标准的工具来优化移动/边缘的模型？
浏览 3提问于2019-05-17得票数 0
当我注意到tensorflow和pytorch对于2d cnns有不同的大小权重张量时，我正在将tensorflow v1.13编写的旧项目转换到pytorch v1.4.0。 以下是我的tensorflow代码 cnn = tf.layers.conv2d(img_tensor, 16, (3, 3), (1, 1), padding='SAME', name='cnn_1')
cnn = tf.layers.conv2d(cnn, 32, (3, 3), (1, 1), padding='SAME', name='cnn_2'
浏览 14提问于2020-04-14得票数 0
2回答
我在训练CNN来解决三级图像分类问题。我的训练损失平稳地减少了，这是预期的行为。然而，我的验证损失显示出很大的波动。
📷
这是我应该担心的事情，还是我应该选择在我的业绩衡量(准确性)上得分最好的模型？
附加信息:我正在微调一个Resnet-18的最后一层，它是在ImageNet数据上接受过PyTorch预培训的。我必须指出，我在训练阶段使用了一个加权损失函数，因为我的数据非常不平衡。然而，为了绘制损失图，我使用未加权损失来比较验证损失和培训损失。如果不是训练数据集和验证数据集的分布略有不同，我将使用未加权损失(但是它们都是高度不平衡的)。
浏览 0提问于2018-05-02得票数 10
回答已采纳
这段代码出了什么问题？我已经使用cleverhans API - generate_np方法生成了对抗性图像。并使用默认的cleverhans CNN分类器对图像进行分类。当我在生成图像后使用模型时，测试精度如预期的那样很低。但是如果我保存并重新加载模型，精度会太高。请检查这里的代码。 https://github.com/csesivakumar/Adversarial_Defense/blob/master/Cleverhans_generatenp.ipynb Python: 3.6
浏览 11提问于2019-06-05得票数 0
2回答
我的学习曲线是否过正？
、、、、
我正致力于多分类任务(总共6个班)，并获得了几乎完美的训练和测试的准确性(超过99%)的基础上，我的训练cnn模型。我想知道，我受过训练的模特是否有过度适应的问题。附件是该模型的损失和准确性的学习曲线。整个训练数据集包含大约30k样本，训练与验证数据的比率为4:1。我的损失曲线是否显示过拟合？
浏览 7提问于2022-10-10得票数 -1
回答已采纳
1回答
准确率和召回值相同
、、、、
我使用Pytorch和Python编程语言训练了CNN模型，我尝试使用sklearn.metrics从测试数据集中获取指标，如下所示。但在准确性和召回率方面，我得到了相同的结果。有没有显示指标的最佳实践？这个结果是真的吗？
test_accuracy_score = accuracy_score(output_list, prediction_list)
test_precision_score = precision_score(output_list, prediction_list, average=‘weighted’)
test_f1_score = f1_score(output_
浏览 2提问于2020-12-24得票数 0
我目前正在写关于人工智能推理的硬件和框架的BA论文.在我的研究中，我查找了TensorRT并找到了我不太明白的ab表。
遗憾的是，除了标题之外，没有其他真正的解释。我知道有不同的CNN模型，有不同的层数，直到一定程度上加起来，它将导致精度的提高，但很多层也会造成误差。
但我不明白它与fp32和int 8有什么关系，以及这张表想告诉我什么。如果有人能帮我出来就好了。我也不知道“再培训”是什么意思。
谢谢你的回答
浏览 9提问于2022-06-18得票数 -1
2回答
我使用tensorflow-keras构建了一个图像分类模型(CNN)。我有一些新的图像，我需要将它们输入到相同的模型中，以便增加现有模型的准确性。 我尝试使用以下代码。但这会降低准确性。 re_calibrated_model = loaded_model.fit_generator(new_training_set,
steps_per_epoch=int(stp),
epochs=in
浏览 25提问于2020-07-15得票数 0
回答已采纳
2回答
我正在为分类任务训练CNN，我将数据集分成三个部分: 70%用于培训，15%用于验证，最后15%用于测试。我使用训练集来训练网络，并使用验证集来选择超参数。在完成了所有的工作之后，我使用测试集测试了我的模型，但是结果表明，该模型在测试集上的性能优于验证集(一个模型的准确率为85%，而另一个模型的准确率为80% )。
有可能吗，还是我做错了什么？由于我致力于提高模型在验证集上的性能，而在整个模型训练过程中，测试集是不可见的。
浏览 3提问于2018-03-10得票数 0
回答已采纳
1回答
是否有可能用生成器(有条件地训练类)改进图像分类模型。(因此，这是相同的源/目标分布和相同的源/目标任务，而不是域适应)
注意：“改进”可以是在鲁棒性、校准、或彻底的精确/召回改进、OOD性能方面。
例如，我在数据A上训练图像分类模型，然后在数据A上有条件地训练GAN以生成具有类提示的图像。然后利用GAN生成额外的样本来训练我的图像分类模型。
注意:这实际上不是我想要改进的图像分类器，而是检查使用生成器来提高鉴别器性能的概念。
浏览 0提问于2023-05-14得票数 0
4回答
ROC曲线解释
、、、
我训练了一个CNN模型和一个组合的CNN-SVM分类模型。我想用ROC曲线来比较它们的性能，但我搞不懂哪种型号更好。如何解释给定的ROC曲线？
📷
📷
浏览 0提问于2019-11-24得票数 3
回答已采纳
1回答
我已经训练了一个RNN/LSTM模型。我想解释我的模型结果，在绘制了图表的损失和准确性(b/w培训和验证数据集)。
如果我只向模型提供部分输入，我的目标是对标签进行分类(0或1)。以这种方式我进行了训练。
Train_Validate_Test_Split
Train 80% ; Validate 10 % ; Test 10%
X_train_shape : (243, 100, 5)
Y_train_shape : (243,)
X_validate_shape : (31, 100, 5)
Y_validate_shape : (31,)
X_test_shape : (28, 1
浏览 0提问于2019-07-22得票数 0
回答已采纳
我正在处理一个使用图形数据的节点分类问题。通过简单地将网络应用于单个节点(例如，忽略图形结构)，我使用了PyTorch对节点进行分类，并使用PyTorch几何方法应用GNN (例如GCN)对节点进行分类。
是否可以将PyTorch中的模型作为PyTorch几何中的最后一层？我对这将如何工作感到有点困惑，因为对torch.nn.Module的输入是一个用于GNN情况的图，而对于MLP情况则是一个特征向量。我想把一个PyTorch模型和一个PyTorch几何模型组合成一个模型，我可以训练它。这个是可能的吗？
浏览 0提问于2022-12-16得票数 1
回答已采纳
2回答
我用CNN对医学图像进行分类。我使用四个卷积层与ReLU激活，然后是一个软最大层。我正在使用rmsprop作为优化器。我面临的问题是网络的测试精度先提高后下降。这种情况一直持续到达到最大的时代数为止。我在某个地方读到，这可能是因为网络将其权重转移到了一个类，然后不得不这样做以支持另一个类。我整理了测试数据，看看这是否有帮助，但没有这样的运气。有什么补救办法吗？
📷
浏览 0提问于2016-12-31得票数 2
1回答
交叉验证与未见数据预测之间的差异
、、、、
我正面临一个数据集不平衡的问题。数据集包含20%的目标和80%的非目标.当我给训练过的模型提供看不见的数据时，我期待下面的混乱矩阵。
[[1200 0 ]
[0 240]]
实际上，我在下面得到了一个混乱的矩阵。正如你所观察到的，它对目标的分类非常少。
[[1133 67]
[ 227 13]]
CNN模型的训练和验证曲线如下所示。
📷
任何想法，为什么这么少的目标被分类，即使培训和验证进行得很好！我是不是漏掉了什么？我尝试更改CNN模型参数(内核大小、退出、CNN层数、早期停止等)。然而，我没有看到太多的变化。
我读了下面关于数据泄漏的“堆栈交换”的文章。但是，(
浏览 0提问于2022-02-04得票数 0
我正在Pytorch上测试预训练的inception v3模型。我给它提供了256x256的图像大小，并将它的大小调整到了299x299。在这两种情况下，图像都被正确分类。
谁能解释一下为什么PyTorch预训练模型可以接受不是299x299的图像？
浏览 16提问于2019-08-09得票数 4
回答已采纳
2回答
我正在执行一个二进制分类问题与15000 RGB图像使用划痕建设CNN模型。在评估模型时，我可以用两种方法：
对训练数据进行分割、训练和测试，并对训练数据进行10倍交叉验证.稍后，使用最好的模型，我将使用未见的测试数据。以这种方式我得到了应用程序。平均91.5%。测试和验证的准确性。
只需使用10倍交叉验证，获得92.5%的平均准确率(略好于以前的结果)。
在这篇研究文章中，哪个选项最适合报告我的模型的性能？提亚
浏览 0提问于2020-09-09得票数 2
我为包含6个类的数据集构建了一个CNN图像分类器。数据集在所有6个类中都是平衡的。经过训练，该模型在除2类外的所有类中都具有较好的预测精度。为了进一步解释，让我们用从'0‘到'5’之间的整数来标记这6个类。经过训练的模型能很好地预测从'0‘到'3’之间的类。但几乎5%-10%的4级图像被预测为5级，5%-10%的5级图像被预测为4级。
我该如何处理这种情况呢？
浏览 0提问于2022-05-31得票数 1
我是pytorch的新手，我想知道如何显示损失和准确度的图表，以及我应该如何存储这些值，因为我知道我正在使用CIFAR10应用cnn模型进行图像分类。 下面是我目前的实现： def train(num_epochs,optimizer,criterion,model):
for epoch in range(num_epochs):
for i, (images, labels) in enumerate(trainloader):
# origin shape: [4, 3, 32, 32] = 4, 3, 1
浏览 61提问于2020-07-27得票数 2
回答已采纳
2回答
我已经训练了一个N不同类别信号(N=4)的一维数据，即功率谱密度(PSD)。每个N信号都有不同的光谱形状(这里没有显示)。为了说明起见，下面所示的图来自同一信号类。我们的想法是把这看作是一个图像分类问题。
当训练数据以相同频率为中心的所有示例(即几百赫兹以内)时，该模型表现得特别好：
📷
CNN未能正确分类超出训练数据频率范围的新例子：
📷
模型的细节和假设：
CNN模型是在PyTorch中使用以下层实现的：
model = nn.Sequential(
nn.Conv1d(in_channels=1, out_channels=64, kernel_size=
浏览 0提问于2023-01-07得票数 1
回答已采纳
我正在处理一个5类的视频分类，并使用TimeDistributed的CNN模型。列车数据集包含8个视频，每帧包含75帧，我使用了TimeSeriesGenerator of Keras，其中长度等于75，因为每个视频包含75 sequences.But，在我看来，在这个例子中batch_size应该是什么？
from keras.preprocessing.sequence import TimeseriesGenerator
train_sequences = TimeseriesGenerator(train_data, train_labels, length=75, batch_siz
浏览 3提问于2020-05-15得票数 1
回答已采纳
1回答
我已经在Pytorch中创建了一个模型，并希望将其传输到MATLAB，下面显示了一个最小的示例
import torch.nn as nn
import torch
class cnn(nn.Module):
def __init__(self):
super(cnn, self).__init__()
self.fc1 = nn.Sequential(
nn.Linear(10, 1),
nn.ReLU(True)
)
def forward(self, x):
浏览 1提问于2018-06-26得票数 3
当使用像梯度增强树和CNN这样的机器学习模型时，当学习二进制分类时，是否需要(或者被认为是一种经常做好的好做法)平衡正负示例的数量？
给出P正示例和N负示例，其中P << N，我可以想到几种选择：(让我们忘记验证集和测试集)
选择A)根本没有平衡，把所有的例子(完全是P+N)放入训练集而不加权w.r.t。他们的比率。
选择B:将所有示例(完全P+N)放入训练集，但将所有正示例1/2P和所有负数1/2N加权，从而使正负示例的总权重相等。
选择C:取所有P正数，然后取P负数样本(从N中取出来)，用均匀加权法训练这些2P实例。
每种方法的优缺点是什么?我们通常采用哪种方法(S)？
浏览 0提问于2017-04-22得票数 5
2回答
图像分类超参数配置
我使用SageMaker内置的图像分类来训练模型自己的数据集，其中包含三个类对象的原始图像。每个类别都包含不同的手机模型图像，如iphone6plus、iphone7plus和三星s7edge。
这些图像是通过手机摄像头拍摄的，然后调整到224*224维进行训练。训练样本总数为1920个，类数为3个。经过多次训练，我得到的平均模型验证精度为0.4或更低，这是不准确的。
为了提高模型的准确性，我需要在参数中输入哪些推荐值？这是我第一次训练模特，我需要一些指导。谢谢。
浏览 3提问于2019-08-16得票数 0
我正在学习CNN，我想用pytorch来改变CNN的宽卷积模型，谁能帮上忙？
self.conv23 = nn.Conv2d(Ci, len(Ks) * Co, (3, Co), padding=1)
Traceback (most recent call last):
File "E:/workspace/pycharmworkspace/cnn-text-classification-pytorch-update/main.py", line 137, in <module>
train.train(train_iter, dev_iter, cn
浏览 8提问于2017-07-04得票数 0
1回答
极低精度cnn
、、、、
我正在尝试使用CNN进行文本分类。模型采用字符级字嵌入+词嵌入，然后利用CNN层提取特征，然后进行密集层和softmax激活进行分类。我的模型使用categorical_crossentropy作为损失函数。
cnns = [
[64, 3, 2],
[128, 3, -1],
[256, 5, 3],
[256, 5, -1],
[512, 5, 3],
]
nb_classes = 2
input_word = Input(shape = (default_max_len_words,), name='input_word')
i
浏览 3提问于2022-09-11得票数 -1
回答已采纳
我想用Keras编码，这是一个神经网络，既是一个自动编码器，也是一个半监督学习的分类器。以这个数据集为例，其中有几个标记的图像和许多未标记的图像：
一些论文列出了成功地实现了这一点，或者非常类似的事情。
总而言之:如果模型具有相同的输入数据形状和相同的“编码”卷积层，但会分成两个头(分叉式)，那么就有一个分类头和一个解码头，在某种程度上，无监督自动编码器将有助于分类头的良好学习。
有了TensorFlow，这样做是没有问题的，因为我们可以完全控制计算图。
但在Keras中，事情是更高层次的，我觉得所有对".fit“的调用都必须一次提供所有数据(所以它会迫使我将分类头和自动编码头绑定到一
浏览 0提问于2017-06-01得票数 1
1回答
在转移学习之后进行微调
、、、、
我读过关于CNN的微调和转移学习的文章，并且想知道我们是否可以在相同的CNN上使用转移学习之后进行微调？如果是这样的话，这会提高模型的性能还是降低模型的性能？
浏览 0提问于2018-01-10得票数 2
1回答
我正在使用Renyi (-differential) PyTorch隐私，这是在PyTorch DNN中实现的。我这样做是为了保证培训集的隐私达到ε的程度。为了实现这一点，我使用。随着网络对训练集的适应程度越来越高，训练精度不断提高，网络的保密性逐渐降低。然而，在某个转折点上，隐私降低了，精度也降低了；我认为，由于在一批训练数据上增加了太多的(隐私)噪声，并且/或因为它覆盖了训练集，所以这种精度最终会下降。
现在，我想要实现的是:我想要训练一个模型，以达到(ε，δ)ε，δ隐私的不同值ε(即0.5，1，1.5，2)。请注意，ε值越大，模型所保证的隐私就越少。在理想情况下，随着ε的增加，精度会提高
浏览 0提问于2020-06-01得票数 3
我目前正在通过使用cifar10图像来训练CNN模型(50000用于培训，另10000用于验证)。
我绘制了训练损失、验证损失和训练迭代的准确性：
📷
我不确定什么时候该停止训练，应该在1250迭代前后停止训练吗？还是应该在迭代5000左右停止，因为我可以获得最大的验证精度？
为什么被覆盖的模型可以有一个更高的验证精度？
浏览 0提问于2019-06-15得票数 5
回答已采纳
我试图隐藏PyTorch代码的CNN -> LSTM级联模型到PyTorch闪电。在nn.Module码中有两个PyTorch类，一个用于CNN (编码器)，一个用于LSTM (译码器)，最后一个隐藏层作为PyTorch的输入。
因此，在转换到PyTorch闪电之后，有两个pl.LightningModule类。我想知道如何在这两个类中填充所需的方法。forward()、training_step()、train_dataloader()和configure_optimizers()。
以下是PyTorch中丢失和优化器的定义；优化器使用来自编码器和解码器模型的参数：
loss_c
浏览 0提问于2021-08-03得票数 0
1回答
我有一个分类问题，我不知道如何分类这个分类问题。根据我的理解，
多类分类问题是指有多个互斥类，数据集中的每个数据点只能由一个类标记。例如，在水果图像分类任务中，标记为苹果的水果数据点不能是橘子，橘子不能是香蕉等等。在这种情况下，每个数据点只能是水果类的任何一个结果，因此会相应地进行标记。
就像..。
多标签分类是一个问题，在这个问题中，有多组相互排斥的类，其中数据点可以同时标记。例如，在汽车图像分类任务中，标记为轿车的汽车数据点不能是掀背车，掀背车不能是SUV等等。同时，同一辆车的数据点可以标为大众、福特、梅赛德斯等汽车制造商。因此，在这种情况下，car数据点由两组不同的互斥类标记。
浏览 4提问于2020-11-01得票数 3
回答已采纳
云服务器
ICP备案
实时音视频
对象存储
云直播
腾讯云开发者
