1回答
我正在尝试构建一个卷积自动编码器，我使用的数据集由25 x 25图像组成。_______
reshape_76 (Reshape) (None, 28, 28, 1) 0 我希望输入和输出维度完全相同，我也不知道为什么未采样层选择(14,14,128)，而卷积层选择(13,13,128)。
浏览 7提问于2020-03-20得票数 0
回答已采纳
1回答
Python 3.5 / Windows 10 / tensorflow-gpu 1.12 (GTX 1070)资料来源：。本教程使用MNIST数据集，我的图像更大，在3个彩色通道，但我试图适应相应。, filters=32, kernel_size=(3,3), padding='same', activation=tf.nn.relu)28,28,1是mnist图像的()
浏览 0提问于2018-12-16得票数 2
回答已采纳
灰度图像的卷积很简单。您有一个形状nxnx1的过滤器，并将输入图像转换为提取您想要的任何功能。
我也理解卷积将如何工作的RGB图像。过滤器将具有nxnx3的形状。然而，过滤器中的所有3‘层’是否都有相同的内核呢？例如，如果第0层是如下所示的映射，那么第1层和第2层</
浏览 4提问于2020-11-13得票数 1
回答已采纳
0回答
我正在学习TensorFlow的"Deep MNIST for Experts“教程：
第二个卷积层的形状为5、5、32、64；也就是说，它有32个输入，而第一个卷积层有1个输入(该输入是我理解原始图像的灰度值第二卷积层有32个输入通道是什么意思？这是否意味着在第二层中学习的64个过滤器都将应用(移动)到每个像素具有32个点的“虚拟”<
浏览 1提问于2017-01-03得票数 3
回答已采纳
3回答
我是刚开始深造和深造的。如果如截图中所示，已经创建了CNN，那么如何解释model.summary()所描述的输出。我无法理解不同层次的输出形状。
浏览 4提问于2020-04-06得票数 8
回答已采纳
2回答
新图像尺寸的传递学习
、、、
转移学习:将经过训练的神经网络用于新的分类任务。我不明白为什么改变输入形状不会影响卷积层的重量和为什么它会影响完全连接的<
浏览 0提问于2019-08-16得票数 1
回答已采纳
我正在使用TensorFlow2.3和tf.keras 我已经用输入的shape (None,120,120,12)对图像训练了一个网络。实际上，由于编码错误，我还可以在将输入声明为(None,128,128,12)的同时训练模型，同时提供(None,120,120,12)批处理。特遣部队只是打印了一个警告，并不关心。这不是以前版本中的行为。我的网络只有卷积层，如果考虑到深度，输入大小有足够的2的幂，它提供与输入形状
浏览 27提问于2020-09-25得票数 1
Output Layermodel.add(layers.Activation('softmax'))
当我尝试将输入形状更改为现在，如果我想要使用具有输入形状的RGB (91 * 74)图像的数据集来做AlexNet，我将如何改变它的步幅和或AlexNet？> (91，74，3)谢谢你..。
浏览 3提问于2020-06-11得票数 0
回答已采纳
DenseNet预训练模型(VGG、ResNet、Keras等)在具有输入形状(224,224，3)的ImageNet上训练后建立权重。但是，Keras允许我们指定任何其他输入形状(宽度和高度不应小于32)。当输入形状不是(224,224，3)时，Keras如何确定第一个隐藏层的初始权重？
浏览 0提问于2021-10-22得票数 1
1回答
我想计算CNN的给定隐藏层输出的形状，所以假设输入形状是(27,27,27,1)，即一个图像通道，第一个卷积层是16X(3,3,3)核，步长是1，填充是0，所以这一层的输出形状是：(25,25,25,16 )，16对应于这一层中的核的数量，所以这里我们有16个体积的形状(25,25,25)，之后，我们有一个32
浏览 0提问于2020-06-03得票数 0
1回答
我将大小为100 or的图像表示为100 or，因此我可以拥有形状(None, 100, 100, 3)或形状(None, 10000, 3)。我找不到任何明确的解释谷歌，然而，以下两个张量会导致类似的结果吗？(None, 100, 100, 3)
我假设这两种方法都足够了，就像我想的那样，神经网络仍然能很好地学习，如果图像是在一排，你的想法呢？
浏览 1提问于2019-03-21得票数 0
回答已采纳
2回答
我试图理解CNN的网络维度：第二Conv层应用150个卷积。对我来说不清楚的是第二层之后的维数。不是应该是13x32x150x100 (而不是13x32x150)吗？卷积</
浏览 0提问于2020-01-31得票数 1
我试着学习PyTorch，并遇到了一个教程，其中CNN的定义如下， def __init__(self): x = self.linear_layers(x)我明白cnn_layers是如何制造的。我不明白为什么线性特性的数量是4*7*7。我知道4是最后一个Conv2d层的输出维。
7*7是怎么进来想象<e
浏览 1提问于2021-01-31得票数 1
回答已采纳
2回答
我读了很多说明两件事的教程。
基于这些陈述，我的问题如下？每当我做了一个FCN，我只能让它工作在一个固定维度的输入
浏览 0提问于2019-08-02得票数 0
回答已采纳
我需要在数据集上构建一个CNN模型，该数据集有65536行(每个列代表1个图像)、49列(7x7图像)和二进制类(第50列)。(7800行测试集)from __future__ import print_functionfrom keras.models import Sequential
from keras.layersscores = model.evaluate(x_test,y_test, verb
浏览 1提问于2017-04-18得票数 0
回答已采纳
我正在尝试使用Keras的fit生成器来拟合ConvNet模型，但在尝试将数据提供给输入层时失败。它告诉我它需要一个三维输入，但我的输入只有两个。如果我将一个通道添加到我的输入形状中，它会要求四个维度。when checking input: expected input_1 to have 3 dimensions, but got array with shape (1000, 597)
当我将输入形状更改为when checking input: expected input_1
浏览 39提问于2019-10-30得票数 1
回答已采纳
我使用了全部为512x384的图像构建了我的模型，然后我通过.pkl导出模型并在呈现时托管它，UI构建在React上，用户将在其中输入他们选择的映像
我知道我可以在用户输入映像时在客户端调整图像的大小，或者在服务器端使用python更改模型以接受不同的图像大小，有人能为这方面提供最简单、最优雅的解决方案吗？
浏览 0提问于2021-04-24得票数 0
1回答
最近我遇到了一篇关于使用反卷积网络进行语义分割的论文：用于语义分割的学习反褶积网络。📷非池层的输出是一个扩大的，但稀疏的激活映射。反褶积层将通过使用多个学习滤波器的卷积类运算解池获得的稀疏激活紧密化。然而，与将滤波器窗口内的<
浏览 0提问于2015-11-24得票数 5
回答已采纳
2回答
我理解卷积过滤器(或内核)的用途。我把它们想象成可学习的特征提取器。例如，提取垂直边缘或水平边缘等。有人能好心地向我解释一下叠加2个或更多连续卷积滤波器的直觉吗？吴家富视频中的📷这里是吴家富关于机器学习的讲座的链接
浏览 0提问于2018-09-08得票数 5
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
云直播
对象存储
腾讯会议活动推荐
腾讯云开发者
