我很难让这个网络按预期的方式工作。我已经尝试了这个模型的许多次迭代，但仍然无法获得合理的误差(它永远不会拟合，甚至不能使其过度拟合)。作为参考，有12个形状为49、9的输入“图像”(它们实际上是河口9个站点的水面高程)和12个形状为1、9的标签。 net = [] def __init__(self, kernel_size): mid_size = (49*4
浏览 16提问于2019-11-21得票数 0
回答已采纳
我已经实现了PPO来解决Atari环境。有很长一段时间，我不明白为什么我的模型不能像其他开源解决方案那样快速地收敛。最后，它归结为这个单一的权值初始化(在PyTorch)为CNN：为什么正交初始化比PPO的xavier初始化要好得多？
浏览 0提问于2019-12-16得票数 3
回答已采纳
我正试着用Pytorch训练CNN的文本分类器。我像这样使用Adam优化器。optimizer = torch.optim.Adam(CNN_Text.parameters(), lr=args.lr)所以，我实现了学习率衰减，
If curr_loss > val_loss: prev_lr = param_group['lr'] param_group我尝
浏览 11提问于2018-12-06得票数 1
我正在尝试创建一个CNN，但使用SIFT算法而不是任何池化层。问题是我似乎无法在Tensorflow或PyTorch中找到该算法的任何Python实现。我所见过的唯一的实现是使用opencv。是否可以使用opencv SIFT实现作为Tensorflow CNN模型中的层？如果是这样的话，你将如何创建它？
浏览 9提问于2020-08-08得票数 1
回答已采纳
1回答
我正在将Keras实现转换为PyTorch实现。在完全转换之后，我的模型收敛得不够快，尽管损失似乎在减少。当我追溯我的脚步时，我注意到我的嵌入层有点奇怪。Keras中的嵌入层中：对于每个批处理，我得到的值比在PyTorch中要“窄”得多，这会影响我的收敛吗？现在，如果我将相同的x传递到PyTorch嵌入层中：
torch
浏览 3提问于2022-03-09得票数 1
1回答
我在“火把”中读到关于RNN的文章: RNN - PyTorch 1.12文档.return torch.zeros(1, self.hidden_size)
rnn = RNN(n_letters, n_hidden, n_categories)
为什么实现的函数与方程不同
浏览 0提问于2022-06-30得票数 0
我正在尝试用PyTorch Fast Dense Feature Extractor实现这篇文章，但我在将他们提供的火炬实现示例转换成PyTorch时遇到了麻烦。到目前为止，我的尝试有一个问题，即当向特征映射添加额外的维度时，卷积权重与特征形状不匹配。这在Torch中是如何管理的(从他们的实现来看，Torch似乎并不关心这一点，但PyTorch关心)。我的代码：https://gist.github.com/system123/c
浏览 36提问于2019-03-13得票数 1
回答已采纳
1回答
我有一个或多或少标准的DQN解决Atari“突围”的实现(来自Coursera强化学习课程)，它在不同的计算机上的表现完全不同：
我已经查过了：
我的笔记本电脑，即聚合，使用旧的CPU (将Tensorflow限
浏览 0提问于2019-05-07得票数 2
2回答
我正在训练CNN架构，用PyTorch来解决回归问题，其中我的输出是20个值的张量。我计划用RMSE作为模型的损失函数，并尝试使用PyTorch的nn.MSELoss()，并使用torch.sqrt()作为平方根，但在得到结果后感到困惑，我会尽力解释原因。很明显，对于批处理大小的bs，输出张量的维度将是[bs , 20].I试图实现的，并由我自己实现RMSE函数：
def loss_function (predicted_x , target ):如何用nn.MSELoss()<e
浏览 5提问于2020-05-24得票数 6
回答已采纳
我被困在使用A3C 2实现异步优势Actor-批评者( TensorFlow )。
问题定义：用于A3C实现，我必须创建一批工作人员(与CPU核心的数量一样多)和一个主处理器。所有的工人和主人将为他们自己创建一个独特的CNN模块的副本。当每个工人必须优化主人的CNN模块，并将其重量与主人的CNN的权重同步时，问题就出现了。我通过多线程实现了这一点，没有任何问题，但是当multiprocessing出现时，python既不能序列化权重，
浏览 0提问于2020-06-24得票数 3
我试着用its序列将蛋白质归入它们的家族。我可以在这个目的上使用深度卷积模型吗，即使它们使用图像的RGB3输入度量？是否有任何特定的方法来转换图像以外的数据集，以便使用这些模型进行分类。我是人工神经网络的新手，非常感谢您的建议。
浏览 4提问于2020-03-08得票数 2
我需要在我的层的一些结果上执行一个元素级的产品，但是(强调)我不需要一个参数化的层来实现这一点，我需要将它放在几个参数化层之间。如何在不破坏梯度或导致其他问题的情况下，在模型中实现按元素划分的产品？
浏览 7提问于2022-10-29得票数 0
我正在研究如何为一个研究问题实现一个卷积神经网络。我听说过像Pytorch和Tensorflow这样的深度学习库，并希望获得一些关于它们适合我的需求的更多信息。但是似乎有更多关于Tensorflow的教程，特别是关于创建CNN的教程。
在确定哪种图书馆最适合我的需求时，我应该问自己什么类型的问题？
浏览 0提问于2018-12-19得票数 4
回答已采纳
1回答
我正在训练CNN架构，用PyTorch来解决回归问题，其中我的输出是25个值的张量。输入/目标张量可以是所有零，也可以是σ值为2的高斯分布。我的问题是如何为模型设计一个损失函数，有效地学习25个值的回归输出。然而，有时网络很难收敛，特别是当有大量的样本都是“零”时，网络就会输出25个小值的向量。
我的问题是，还有什么其他的损失我们可以尝试吗？
浏览 0提问于2021-07-13得票数 2
1回答
非平方图像作为YOLOv3的输入
、、、、
我目前使用的网络实现(由ultralytics 1实现的pytorch实现)以正方形图像作为输入。大多数CNNs的实现似乎都使用正方形图像作为网络体系结构的输入。我的问题是:如果我手动将网络架构更改为非平方大小(例如1000x400px)，yolo还能工作吗？为什么艺术中的大多数CNN都是用正方形图像工作的？
浏览 60提问于2019-03-12得票数 1
3回答
字符级别CNN - 1D或2D
、、、、
我想在毕道尔实现一个角色级别的CNN。考虑到输入的维度在技术上都能正常工作，我还看到了这两个版本的实现。所以我想知道哪种方法更好。
这两种方法中的一种比另一种有特殊的优势吗？
浏览 0提问于2019-03-26得票数 1
回答已采纳
1回答
我正在遵循的论文来实现和关注池化网络来构建一个问答系统。在2.1章中，它谈到了CNN层：其中，q_emb是使用word2vec嵌入每个标记(单词)的问题。d是单词嵌入的维度，M是问题的长度。以类似的方式，a_emb是用shape (d, L)嵌入的答案。我的问题是:卷积是如何完成的，怎么可能两次操作的W_1和b_1是相同的？目前，我已经在PyTorch中实现了这个操作：
### Input is a tensor of shape (batch_size,
浏览 0提问于2018-09-27得票数 4
我有一个简单的网络，用pytorch实现， #编辑:为了提供更多关于我的问题的信息，我试图从零开始创建一个类似于yolo的网络。这是我使用的数据集
浏览 5提问于2021-07-02得票数 2
回答已采纳
2回答
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的模型不应该推广到不属于同一频率范围(即以中间为中心)的新例子应该被识别为正确的类别吗？
我是否还需要采取其他步骤，无论是在模型中还是在培训数据中？
浏览 0提问于2023-01-07得票数 1
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
对象存储
腾讯会议
云直播活动推荐
腾讯云开发者
