我对凯拉斯很陌生。我试图把一个彩色倒置图像输入到一个神经网络中,然后预测真实图像。所以我的x变成了倒置图像,y变成了真实的图像。但是我不知道如何用角角得到输出图像。
这是我的密码。
import numpy as np
from keras.preprocessing.image import load_img
from keras.preprocessing.image import img_to_array
from keras.models import Sequential
from keras.layers import Conv2D,MaxPooling2D,Flatte
我正在使用来自的FGSM方法实现对抗性培训,使用自定义的损失函数:
它在tf.keras中使用自定义丢失函数实现,在概念上如下所示:
model = Sequential([
...
])
def loss(labels, logits):
# Compute the cross-entropy on the legitimate examples
cross_ent = tf.losses.softmax_cross_entropy(labels, logits)
# Compute the adversarial examples
gr
利用CIFAR-10数据集进行深度学习的分类器有很多例子。它的工作方式是,训练成千上万的猫,狗,飞机等图像,然后分类为狗,平面或猫。但我想做相反的事。我想训练狗,猫,飞机,它应该输出图像。这是我的主意
将cat的相似/清晰图像分组为值1,不太相似/模糊图像分组为1.1,等等。同样,将狗的相似图像分组为值2,将相似图像分组为2.1,等等。对所有类型的图像都做同样的操作。
生成的数据集应该如下所示
input output
1 pixels(24*24) of a cat images(clear)
1 pixels(24*24) of a cat images(cl
我有灰度图像,我在x_train和x_test中得到了它们的像素阵列。
x_train大小为(2500,21,512),x_test大小为(500,21,512)。我想做一个CNN,以获得输出y_train以及(2500,21,512)和y_test as (500,21,512),但这是我希望网络预测的其他图像的数组。
在MNIST中,他们这样做,但通过将y_train和y_test作为值的向量,然后将输出作为(3000,1)。如果不是为了我的图像,我怎么做同样的事情呢?