Keras U-Net加权损失实现
是一种基于Keras框架的图像分割方法，主要用于对图像中的目标进行像素级的准确分割。U-Net是一种经典的卷积神经网络结构，常用于医学图像处理、自动驾驶等领域。加权损失是为了解决U-Net在处理类别不平衡的图像数据时的问题而提出的一种改进方法。
具体实现步骤如下：
- 准备数据集：收集并准备用于训练和测试的图像数据集，包括输入图像和对应的分割标签。
- 构建U-Net网络结构：使用Keras框架搭建U-Net的卷积神经网络结构，包括编码器和解码器部分。编码器用于提取输入图像的特征，解码器用于将提取的特征恢复到原始图像尺寸，并生成像素级的分割预测结果。
- 定义加权损失函数：根据实际需求，可以选择不同的损失函数，如交叉熵损失函数、Dice损失函数等。为了解决类别不平衡问题，可以采用加权损失函数，对不同类别的像素赋予不同的权重。具体权重的设置可以根据数据集的分布情况进行调整。
- 编译模型：设置优化算法、损失函数和评价指标等参数，并编译U-Net模型。
- 数据增强：为了增加数据样本的多样性，可以对训练数据进行一系列的数据增强操作，如旋转、翻转、缩放等。
- 模型训练：使用准备好的训练数据对U-Net模型进行训练，不断优化模型参数以提高分割精度。可以设置合适的学习率、批次大小、训练轮数等超参数。
- 模型评估：使用测试数据对训练好的U-Net模型进行评估，计算模型在分割精度、准确率、召回率等指标上的表现。
- 模型应用：将训练好的U-Net模型应用于新的图像数据上，对图像进行像素级的分割。可以将分割结果可视化，或者根据实际需求进行后续的处理和分析。
腾讯云提供了一系列与图像处理相关的云产品，如云服务器、图像识别、人脸识别等，可以在腾讯云官方网站（https://cloud.tencent.com/）了解更多产品和相关文档。
相关·内容
1回答
我正在使用Keras实现的U-Net ()来分割显微镜图像中的细胞器。为了让我的网络能够识别只有1个像素间隔的多个单个对象，我想对每个标签图像使用权重图(公式在出版物中给出)。
据我所知，我必须创建自己的自定义损失函数(在我的例子中是交叉函数)来利用这些权重映射。但是，自定义损失函数仅接受两个参数。如何在这样的函数中添加权重映射值？
下面是我的自定义损失函数的代码：
def pixelwise_crossentropy(self, ytrue, ypred):
ypred /= tf.reduce_sum(ypred, axis=len(ypred.get_shape()) - 1,
浏览 5提问于2018-05-11得票数 4
1回答
我正在训练对整个切片病理图像进行U-Net图像分割。我想知道如何处理未注释的区域？我正在处理巨大的组织，不可能对所有或绝大多数组织进行注释，所以我有一位病理学家的注释，他已经注释了我们感兴趣的选定组织结构。这意味着在我生成的许多瓦片中，有一段没有注解。
它是否会间接表明未注释区域对一个或另一个类别是负面的，尽管它不是负面的，从而对U-Net产生负面影响？我该如何处理这个重要的案例？将图像仅遮罩到带注释的部分，使未带注释的区域变为黑色是否有意义？
谢谢
浏览 5提问于2020-06-05得票数 1
我在R中使用Keras，它的文档指定：
如果模型有多个输出，则可以通过传递字典或损失列表，对每个输出使用不同的损失。然后，该模型将最小化的损失值将是所有个人损失的总和。
在这种情况下，我有多个输出，但是应用了相同的损失函数，Keras仍然对它们进行求和，或者它是否进行了另一个转换，如average？
浏览 0提问于2019-07-26得票数 2
回答已采纳
1回答
多个输出的CNN损失？
、、、、
我有下面的模型
def get_model():
epochs = 100
learning_rate = 0.1
decay_rate = learning_rate / epochs
inp = keras.Input(shape=(64, 101, 1), name="inputs")
x = layers.Conv2D(128, kernel_size=(3, 3), strides=(3, 3), padding="same")(inp)
x = layers.Conv2D(256, kernel_size=(3, 3), strides=(3, 3
浏览 1提问于2020-12-28得票数 1
回答已采纳
1回答
根据Keras文档的说法，sample_weight可以用于训练数据中的任何样本在损失中的不同重要性。
我在谷歌上搜索了一下，但没有找到我的问题的答案如下：
sample weights是否参与衍生产品？换句话说，Keras是使用这些权重来训练模型，还是只产生不同的损失值？即，导数是“静态”计算的w.r.t。对“未加权”损失？
因为损失函数实际上并不是基于样本权重来定义的，所以它只是(作为参数)传递给Keras中的fit函数。
浏览 0提问于2020-03-21得票数 6
2回答
我正在使用keras构建一个图像分割模型，并希望在多个损失函数上训练我的模型。我已经看到链接，但我正在为这种情况寻找一个更简单和直接的解决方案，因为我的损失函数相当复杂。谁能告诉我如何在keras中建立一个具有多个损失的单输出模型。
浏览 13提问于2019-11-04得票数 0
回答已采纳
如何在不使用任何keras.compile方法的情况下训练批处理规范层？通常情况下，层具有可访问的损失。这里的损失方法是空的。 更新： 似乎对此有很多困惑，甚至BatchNorm的实现方式也是相当混乱的。 首先，只有训练在线参数(在training=False模式下使用)才能缩放和移动功能:在training=True模式下调用层。如果你从来不想使用批处理归一化的“批处理”部分(即，你只想要一个在线归一化程序，用正常的log-prob损失来训练自己)，你基本上不能在单个调用AFAIK中做到这一点。 使用training=False调用层不会更新参数。使用training=True调用它会更新
浏览 55提问于2019-10-02得票数 1
1回答
我需要SSIM作为我的网络中的一个损失函数，但我的网络有两个输出。我需要使用SSIM进行第一次输出，使用cross-entropy进行下一次输出。损失函数是它们的组合。然而，我需要更高的SSIM和更低的cross-entropy，所以我认为它们的组合是不正确的。另一个问题是我在keras中找不到SSIM的实现。 Tensorflow有tf.image.ssim，但它接受图像，我不认为我可以在损失函数中使用它，对吧？你能告诉我我该怎么做吗？我是keras和深度学习的初学者，我不知道如何将SSIM作为keras中的自定义损失函数。
浏览 50提问于2019-04-10得票数 3
我使用BinaryCrossentropy既是损失，也是度量之一：
model.compile(
optimizer=tf.keras.optimizers.Adam(learning_rate=1e-5),
loss=tf.keras.losses.BinaryCrossentropy(),
metrics=[tf.keras.metrics.BinaryCrossentropy(), tf.keras.metrics.AUC()])
既然它们是同一件事，我认为它们应该产生同样的结果。然而，在训练集和验证集上显示的值略有不同。为什么会这样呢？BinaryCross
浏览 2提问于2020-05-15得票数 1
回答已采纳
1回答
我有一个自动编码器模型的，具有多个输出和加权，这是一个想要丰富变成一个变分的自动编码器。我遵循了以下内容：官方keras教程。
但是，如果手动调整train_step函数，我就失去了最初实现的大部分细节：
我得到了两个加权优化目标:重新构造(解码器)和分类(softmax)。
分类的准确性度量
原始的fit方法还负责验证数据和相应的度量。
根据keras链路添加建议的采样层是没有问题的，但是要正确地实现Kullback-Leibler-Loss，因为它依赖于不受标准Keras损失支持的附加参数z_mu和z_log_var。
我寻找一些解决这一问题的解决办法，但没有一个是成功
浏览 3提问于2020-10-06得票数 2
2回答
如果我有类似这样的东西：
model = Model(inputs = input, outputs = [y1,y2])
l1 = 0.5
l2 = 0.3
model.compile(loss = [loss1,loss2], loss_weights = [l1,l2], ...)
Keras如何处理这些损失以获得最终的损失？是不是像这样：
final_loss = l1*loss1 + l2*loss2
另外，在培训过程中，这意味着什么？loss2是否仅用于更新y2所在层的权重？或者它用于模型的所有层？
浏览 1提问于2018-03-21得票数 63
回答已采纳
我有一个多类分类问题的dataset df。我有一个巨大的阶级失衡。即grade_F和grade_G。
>>> percentage = 1. / df['grade'].value_counts(normalize=True)
>>> print(percentage )
B 0.295436
C 0.295362
A 0.204064
D 0.136386
E 0.048788
F 0.014684
G 0.005279
同时，我对表示较少的类也有非常深入的预测，就像我们看到的一样。
我有一个输
浏览 3提问于2019-09-17得票数 0
回答已采纳
我在Keras中使用functional API来构建一个具有多个输出层的神经网络模型。我想知道在优化过程中更新权重时(当做back-prop时)损失是如何评估的。假设使用相同的损失函数，那么所有输出的平均损失是用于最小化成本函数还是单独评估每个输出以更新权重？
提前感谢！
浏览 0提问于2017-04-29得票数 3
1回答
加权自定义损失角
、、、、
可以在Keras中使用加权MSE，如下所示
model.fit(sample_weight=weights, loss='mse', ...)
我想使用加权rmse，但是Keras库没有RMSE，我自己写的
def root_mean_squared_error(y_true, y_pred):
return K.sqrt(K.mean(K.square(y_pred - y_true)))
但是如何使用重量呢？
浏览 4提问于2020-09-01得票数 0
回答已采纳
我要解决的问题是分类问题。对于不同的观察，错误分类的代价是非常不同的(但已知的)，所以我计划通过相应地为每个观测分配权重来将它们包括在内。我的问题是，另外，不同类别的错误分类的代价是不同的(这些差异取决于观察结果)。因此，理论上，我需要将每个观察到的w_{ij}和类j的权重纳入损失函数权重。但是，我不知道如何做到这一点，例如，对于keras中的神经网络(或者任何其他分类器，我自己都不是从零开始构建的)。
任何关于如何做到这一点的想法都将不胜感激！
浏览 0提问于2018-12-21得票数 0
回答已采纳
我正在尝试为我用Keras编写的模型编写一个像素加权损失函数，但在TensorFlow 2.0中似乎不再可能了，即除了y_true和y_pred之外，不可能有其他输入的损失函数
我以前是这样写的：
from tensorflow.keras.layers import Input, Conv2D
from tensorflow.keras.optimizers import Adam
from tensorflow.keras import backend as K
def my_keras_model():
input = Input((256,256,1), name='in
浏览 2提问于2020-04-15得票数 3
我的理解是，keras需要损失函数才能具有签名： def custom_loss(y_true, y_pred): 我正在尝试使用sklearn.metrics.cohen_kappa_score，它需要(y1，y2，labels=None，weights=None，sample_weight=None)` 如果我按原样使用它： model.compile(loss=metrics.cohen_kappa_score,
optimizer='adam', metrics=['accuracy']) 则不会设置weights。我想将其
浏览 57提问于2019-02-23得票数 4
回答已采纳
我试图评估单个2D测试样本的MSE损失，在Keras中使用一个自动编码器(AE)，一旦模型被训练，我很惊讶当我调用Keras内置函数来获取单个样本的丢失时，它会返回2D张量。这意味着损失函数计算每个样本的每个像素损失，而不是每个样本计算一个损失(?)。为了非常清楚，我期望MSE将所有像素上计算的平方误差的平均值与每个2D样本相关联(正如我在这个上所读到的)。
由于在使用.predict()和.evaluate()训练我的AE之后，每个测试样本没有得到一个标量MSE错误(也许我也遗漏了一些东西)，所以我继续尝试直接使用keras.losses.mean_squared_error()，逐个样本。
浏览 0提问于2019-08-19得票数 3
回答已采纳
1回答
是否可以将内建的keras损失函数象征性地乘以一个常数？例如，如果我想要两个输出的损失的线性组合。
我可以写一个自定义的损失函数，但是它不会被编译，因为它是python代码，而不是符号Keras？我正在寻找一种在纯Keras (或TF)中实现它的方法
浏览 34提问于2017-12-15得票数 2
回答已采纳
1回答
在损失函数中使用生成器
、、、
我需要将额外的信息合并到依赖于当前批处理的Keras损失函数中。由于Keras损失只有两个参数，我考虑通过使损失函数在生成器对象上调用next()来添加此信息。但是，生成器只调用一次(可能是在model.compile()中添加损失函数时)。下面是一个示例代码：
data_batches = yield_data_batches()
meta_batches = yield_meta_batches()
....
model.compile(loss=loss_function, ...)
model.fit_generator(generator=data_batches, ....)
d
浏览 3提问于2017-11-29得票数 0
1回答
我正在处理一个图像分割应用程序，其中丢失函数是骰子丢失。问题是损失函数在某一时期后变成了NAN函数。我正在做5倍交叉验证和检查验证和培训损失的每一次.对于某些褶皱，损失迅速变成NAN，有些褶皱则需要一段时间才能到达NAN。我在损失函数公式中插入了一个常数，以避免过流/流下，但仍然会出现同样的问题。我的输入在范围内- 1，1。我看到人们建议使用正则化和不同的优化，但我不明白为什么损失会在第一位。我已经粘贴了损失函数，以及下面一些时期的培训和验证损失。最初，只有验证损失和验证损失的骰子分数才会变为NAN，但后来所有的度量都变成NAN。
def dice_loss(y_true, y_pred):
浏览 3提问于2020-06-08得票数 2
我正在用Keras训练一个U-Net CNN，其中一个图像类在训练数据集中的表示严重不足。我使用类加权损失函数来解释这一点，但我担心的是，在如此低的批次大小和低类实例的情况下，只有十分之一的批次可能包含此类图像。因此，即使类是加权的，网络在训练期间也很少看到它。因此，强制数据生成器在为批处理选择随机数据片段时至少包含该类的一个实例是不好的做法吗？然后，我可以避免大多数训练无法访问对整体任务准确性至关重要的一类数据的情况。
浏览 2提问于2020-07-15得票数 0
我正在使用TensorFlow概率来训练一个模型，该模型的输出是一个用于概率回归的tfp.distributions.Independent对象。我的问题是，我不确定如何在负对数似然(NLL)损失函数中实现样本加权。 我有以下损失函数，我相信它没有使用sample_weight第三个参数： class NLL(tf.keras.losses.Loss):
''' Custom keras loss/metric for negative log likelihood '''
def __call__(self, y_true,
浏览 174提问于2021-11-08得票数 1
回答已采纳
1回答
我已经在Keras中实现了一个U-Net，用于解决我正在处理的图像分割问题。我发现早期时期的输出提供了非常好的结果，尽管概率很低。随着训练的继续和IoU分数的增加，我在输出中得到的像素更少，但它们具有更高的概率。
更简洁地说，我的输出遗漏了某些特征，但在它所识别的特征中具有更高的概率。
我很想知道我是否可以通过使用sigmoid激活函数在输出层之后强制像素值为1来纠正这个问题。有没有简单的方法可以做到这一点？我使用binary_crossentropy作为损失函数，所以我希望我可以这样做：
def binary_crossentropy_thresh(y_true,y_pred):
y
浏览 0提问于2020-02-21得票数 1
1回答
我试图在Keras中实现多类分段：
输入图像为灰度(即1通道)
地面真实图像有3个通道，每个像素是一个长度为3的热矢量。
预测是标准的U-网训练用categorical_crossentropy输出3通道(软件最大编辑)
这个设置有什么问题吗？训练失败有一些奇怪的行为：
在我幸运的情况下，它的行为符合预期(下降)
90 %的时间被困在0.9左右
我的实现可以找到
我不认为代码有什么问题:如果我的基本真理是1通道(即到处都是0和某处的1)，并且使用binary_crossentropy + sigmoid作为最终的激活，我看不出有什么奇怪的行为。
浏览 2提问于2020-12-05得票数 0
1回答
我正在使用Python、scikit-learn、keras和450x540 rgb正面手表的图像(例如观看_1、观看_2)。
我的目标是运行一个自动编码器或暹罗神经网络，以找到其中最相似的手表。然而，我不确定我是否会得到更好的结果，通过比较对的图像或三胞胎的图像。正如本研究论文中所定义的那样，三重奏图像由一个目标图像、一个与目标图像(更多)相似的图像和一个与目标图像不相似的图像组成。
有人能简单地解释一下为什么像前一篇论文所说的那样，使用三胞胎的图像会(必然)比使用对图像产生更好的结果吗？
浏览 0提问于2018-02-23得票数 1
我即将开始一个使用灰度掩码进行语义分割的项目。问题是，我们必须检测图像的每个像素，如果它是一个对象或背景(二进制类问题)。我很难将这个像素二进制分类任务与掩码标签联系起来，因为每个像素都在一个范围内的0,255。我已经根据这方法开始用Keras实现了一个U-net (在keras中是相当新的)。
你会用什么样的损失？-我在想binary_crossentropy
你会用什么样的标签？因此，如果我以像素的方式进行二进制分类，CNN的输出形状会是什么？
对不起，如果我没有使用适当的技术术语。
浏览 0提问于2019-11-13得票数 2
我正在研究Keras中的一个多标签问题，使用双叉熵损失函数和sigmoid激活。假设我有4个类，所以响应可能如下所示：
[1, 0, 0, 1]
尽管绝大多数的回应实际上都是零的
[0, 0, 0, 0]
数据在不同的类之间也是非常不平衡的，如果我对y做了一个求和，那么每个类中的正数的总数将会是这样的。
[2000, 500, 1000, 250]
因此，为了对每个类都给予同等的权重，我认为我应该构造一本字典，如下所示
weights = {0: 2.5, 1: 10., 2: 5., 3: 20}
并将其传递给Keras中的class_weight参数。
不过，我的问题是：
如果我的响应变量
浏览 0提问于2018-10-24得票数 8
1回答
如何在使用Tensorflow作为后台的情况下，在keras中实现BCEWithLogitsLoss，并将其作为自定义损失函数。 我在PyTorch中使用了torch中定义的BCEWithLogitsLoss。 如何在Keras中实现同样的功能？
浏览 38提问于2019-04-15得票数 2
回答已采纳
我建立了一个基于胸部X线影像(肺炎)数据集的CNN，由于某种原因，当我训练这个模型时，我得到了相同的精度和val_accuracy。
train_ds = ImageDataGenerator()
traindata = train_ds.flow_from_directory(directory="../input/chest-xray-pneumonia/chest_xray/train",target_size=(IMG_HEIGHT,IMG_WIDTH),shuffle=True)
// Found 5216 images belonging to 2 classes.
浏览 0提问于2020-07-04得票数 0
2回答
如何在多类图像分类中获得权值图
、、、、
我正在使用keras和TensorFlow进行多类图像分割。我训练的网络给了我很好的预测，但无法分离接触的对象，这就是为什么我想使用具有"weights"参数的softmax_cross_entropy损失函数。
知道我的y_true形状是(batch-size,128,128,3)，我如何计算这些权重？
tf.losses.softmax_cross_entropy(y_true,y_pred,weights=my_weights)
浏览 0提问于2019-04-18得票数 2
目前，我从我的模型中得到了这样的结果：
egen = keras.models.Model(egen_input, [classes,x])
其中x有[None, 32, 32, 3]，classes有[None, 2]作为维度。如何在自定义丢失函数中仅引用部分输出？
例如,
def customLoss():
def loss(y_true, y_pred):
return keras.losses.binary_crossentropy(y_true, y_pred[0])
return loss
当前，上面的丢失函数在不匹配的维度上返回错误，但是如果我只使用y_pred，
浏览 0提问于2018-09-12得票数 0
回答已采纳
当使用损失时，像下面这样的MeanSquaredError将作为外露出现
y_true = tf.constant([[1., 9.], [2., 5.]])
y_pred = tf.constant([[4., 8.], [12., 3.]])
sample_weight = tf.constant([1.2, 0.5])
mse = tf.keras.losses.MeanSquaredError()
print("mse w/o weights", mse(y_true, y_pred).numpy())
print("mse w weights",
浏览 9提问于2022-05-18得票数 2
我使用Keras Functional API进行测试，因为我需要将模型迁移到Tensorflow LITE。我建立了一个有3个输入和3个输出的模型。如果所有输入都有相同数量的观察值，则该模型可以工作。我不理解这一点，因为它们是独立的。
ValueError: All input arrays (x) should have the same number of samples. Got array shapes: [(10, 5), (20, 5), (30, 5)
我想建立一个模型，有几个输入和不同数量的观察值。这有可能吗？
import numpy as np
from keras.la
浏览 12提问于2019-08-03得票数 0
回答已采纳
1回答
此用作keras/tensorflow中的损失函数，用于权重二进制决策。
它衡量的是假阳性与假阴性：
目标*-log(Logits)+ (1 -目标)* -log(1 - sigmoid(logits))
论点pos_weight被用作积极目标的乘数：
目标*-log(Logits)* pos_weight + (1 -目标)* -log(1 -乙状结肠(Logits))
有没有人建议，如果损失/报酬不应具有同等的权重，如何才能将真正的积极因素与真正的负面因素进行权衡？
浏览 0提问于2018-02-13得票数 0
回答已采纳
2回答
在u-net体系结构中有一个著名的技巧，就是使用自定义权重图来提高精确度。详情如下：
现在，通过询问这里和多个其他地方，我了解了大约2种方法。我想知道哪一个是正确的，还是有其他更正确的方法？
首先是在训练循环中使用torch.nn.Functional方法：
loss = torch.nn.functional.cross_entropy(output, target, w)，其中w将是计算出的自定义权重。
第二，将reduction='none'应用于训练环criterion = torch.nn.CrossEntropy(reduction=
浏览 4提问于2019-10-14得票数 9
回答已采纳
1回答
问题
我想训练一个keras2神经网络(theano后端)与数据的可变相关性。这意味着有些样本比其他样品更不重要。他们对训练的影响比其他人要小。但是，我不能简单地完全忽略它们(我有一个进入Conv1D层的时间序列)。
问题
在培训过程中，我如何告诉keras对某些训练数据样本进行加权？
Idea
我正在考虑定义一个自己的，它将y_true、y_pred和y_weight作为第三个参数。类似于：
def mean_squared_error_weighted(y_true, y_pred, y_weight):
return y_weight * K.mean(K.square(y_pr
浏览 0提问于2018-02-17得票数 5
回答已采纳
我正在使用TensorFlow2.0中的LSTM，并试图为训练样本分配一个权重(我已经尝试过class_weights字典，但它报告它不支持3-d数组。我的数组形状是(26000，7，1)。 正如文档中所建议的，我在编译中将sample_weight_mode设置为"temporal“，但在此之后，当我尝试拟合模型时，仍然得到以下错误： ---------------------------------------------------------------------------
ValueError Traceba
浏览 107提问于2019-08-30得票数 1
目前，我正试图在Keras中构建一个具有三种不同损失函数的深度学习模型。第一个损失函数是典型的均方误差损失。另外两个丢失函数是我自己构建的函数，它发现了从输入映像进行的计算与输出图像之间的区别(这段代码是我正在做的工作的简化版本)。
def p_autoencoder_loss(yTrue,yPred):
def loss(yTrue, y_Pred):
return K.mean(K.square(yTrue - yPred), axis=-1)
def a(image):
return K.mean(K.sin(image))
de
浏览 2提问于2019-10-04得票数 3
回答已采纳
我正在处理一个keras.io示例，其中构建了一个变分的自动编码器，在这里可以找到：
，，我试图用MeanSquaredError-损失替换二进制_交叉熵损失，但是我得到了一个TypeError。我要做什么，才能得到tf.reduce_mean(tf.reduce_sum(keras.losses.binary_crossentropy(data，重建)，axis=(1，2)，reconstruction_loss = tf.reduce_mean(tf.reduce_sum(keras.losses.MeanAbsoluteError(data，重建)，axis=(1，2))
错误消息：
浏览 3提问于2021-06-01得票数 0
在keras的所有代码示例中，我看到输入形状是直接传递的，并且推测批处理大小是第一个，例如：
model = Sequential()
model.add(Dense(32, input_shape=(16,)))
# now the model will take as input arrays of shape (*, 16)
# and output arrays of shape (*, 32)
但是，当涉及到自定义损失时，我看到使用了最后一个轴(轴=-1)。
def loss(y_true,y_pred):
return K.mean(K.square(y_pred
浏览 0提问于2019-11-30得票数 1
学习者，
我想用迷你批次using a custom loss function训练神经网络。每一小批包含n new samples and m replay samples.重放样本用于重放以避免遗忘。
我的损失fnc看起来是：
loss=mse(new_samples_truth, new_samples_pred) + factor*mse(replay_samples_truth, replay_sampls_pred)
如您所见，损失是两个mse的加权和，分别为新样本和重放样本计算。，这意味着每当我想训练一个批时，我想分离新的和重放数据点，并计算整个批的标量损失。
如何在Keras中
浏览 7提问于2021-01-04得票数 0
1回答
什么是神经网络中的学习率？
、、、、
当我使用Keras创建模型时，我们应该在优化器方法中定义学习率(Lr)，请参考下面的代码。
from keras import optimizers
sgd = optimizers.SGD(lr=0.01, clipnorm=1.)
请给出一个简单的例子，并给出定义。如何定义lr参数中的值？这是随机值吗？
浏览 0提问于2020-03-19得票数 -4
回答已采纳
Keras的参数class_weight用于fit()函数，loss_weights用于compile()函数。从解释(文档)和我所理解的情况来看，两者似乎是相同的，因为它们被用来表示每个类的重要性。不过，两者有甚麽分别呢？在哪些情况下，它们可以被适当地使用？
浏览 0提问于2019-12-11得票数 5
在keras的模型拟合函数中设置class_weights参数时，如下所示： model.fit(X_train, y_train, class_weight={0: 2.217857142857143, 1: 0.6455301455301455}) 我不确定用哪种方法将class_weight权重设置为正确的类： 是class_weight={0: 2.217857142857143, 1: 0.6455301455301455}还是class_weight={0: 0.6455301455301455, 1: 2.217857142857143 }？
浏览 328提问于2020-11-09得票数 1
回答已采纳
1回答
我正在将ML模型应用于实验装置，以优化驱动信号。驱动信号本身是被优化的东西，但它的质量是间接评估的(它被应用于实验装置以产生不同的信号)。
我可以通过python中的函数运行并收集实验数据。
我想建立一个带有自定义损失函数的ML模型，该模型用优化后的信号调用实验驱动器函数，以获得用于后支柱的误差。
我已经研究过使用keras，但是，必须独占使用keras后端函数的限制意味着我不能在函数中调用我的驱动程序函数。
我想知道如果我在没有keras前端的情况下使用tensor-flow，是否有一种方法可以做我想做的事情，以及不同的ML API是否允许这样做？
谢谢。
浏览 1提问于2019-06-25得票数 2
函数keras.metrics.binary_accuracy非常简单：
def binary_accuracy(y_true, y_pred):
return K.mean(K.equal(y_true, K.round(y_pred)), axis=-1)
然而，函数keras.metrics.categorical_accuracy有一些不同的地方：
def categorical_accuracy(y_true, y_pred):
return K.cast(K.equal(K.argmax(y_true, axis=-1),
浏览 2提问于2017-09-13得票数 2
回答已采纳
2回答
我尝试在keras实现中使用u-net，我使用了下面的repo ，它工作得很好，但是我的问题是一个两类的分割问题，所以我想将精度度量设置为jaccard，同时也设置了丢失函数。
我试图定义这个函数：
def Jac(y_true, y_pred):
y_pred_f = K.flatten(K.round(y_pred))
y_true_f = K.flatten(y_true)
num = K.sum(y_true_f * y_pred_f)
den = K.sum(y_true_f) + K.sum(y_pred_f) - num
return nu
浏览 2提问于2018-03-15得票数 0
回答已采纳
我正在训练一个类似U-net的模型来进行语义分割，但IoU在历元之后不断减少历元。这是我的IoU和IoU损失函数。我的输入和输出掩码是一个带有dtype=np.bool的numpy数组，所以我将其强制转换为float32以计算IoU。我不知道问题出在哪里？我的指标函数或模型。我真的需要有人来帮我。
def iou(y_true, y_pred):
y_true = tf.keras.backend.flatten(y_true)
y_pred = tf.keras.backend.flatten(y_pred)
y_true_f = tf.cast(y_true, tf
浏览 1提问于2021-07-22得票数 0
1回答
我正在使用VSCode上的Jupyter Notebook创建一个U-Net。下面是我生成错误的代码的一个快速片段： # PREPARE U-NET MODEL
from tensorflow.keras import Input, Model
from tensorflow.keras.backend import clear_session
from tensorflow.keras.layers import Activation, Add, BatchNormalization, Concatenate, Convolution2DTranspose, MaxPool2D, Sepa
浏览 32提问于2021-07-13得票数 0
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
实时音视频
对象存储
即时通信 IM活动推荐
腾讯云开发者
