标签: deep-learning

读完这个主题后，我并不完全理解：神经网络中的“卷积”是否可以与简单的下采样或“锐化”功能相媲美？

你能把这个词分解成一个简单易懂的形象/类比吗？

编辑：在第一个答案之后改写：池化可以理解为权重矩阵的下采样吗？

我想从 Tensorflow 对象检测 API 训练一个 ssd-inception-v2 模型。我想使用的训练数据集是一堆不同大小的裁剪图像，没有边界框，因为裁剪本身就是边界框。

我按照 create_pascal_tf_record.py 示例相应地替换了边界框和分类部分以生成 TFRecords，如下所示：

def dict_to_tf_example(imagepath, label):
    image = Image.open(imagepath)
    if image.format != 'JPEG':
         print("Skipping file: " + imagepath)
         return
    img = np.array(image)
    with tf.gfile.GFile(imagepath, 'rb') as fid:
        encoded_jpg = fid.read()
    # The reason to store image sizes was demonstrated
    # in the previous example -- we have to know sizes
    # of images to later read raw serialized string,
    # convert to 1d array and convert to respective
    # shape that image …

有时我对这两个术语感到困惑。所以，我要求澄清这一点。有人说“前馈网络”是典型的神经网络。如果那样的话，“前馈网络”意味着更大的范围，包括“全连接网络”？如果那样的话，RNN 或 CNN 是否也包含在“前馈网络”中？我猜不是..我希望有一个明确的描述。谢谢你。

我在 Python 中的 Keras 代码如下所示：

training_set = train_datagen.flow_from_directory('dataset/training_set',
                                                target_size=(64, 64),
                                                batch_size=32,
                                                class_mode='binary')

我不断收到此错误：

[WinError 3] 系统找不到指定的路径：'dataset/training_set'

我已经以各种方式确认这条路径是正确的，但它仍然会引发错误。请帮忙。

我在使用 Gensim 的 Doc2Vec 模型中的 most_similar 方法时遇到了麻烦。当我运行 most_similar 时，我只得到前 10 个标记文档的相似性（基于它们的标签——总是从 0-9）。对于此代码，我有 topn=5，但我使用了 topn=len(documents) 并且我仍然只获得前 10 个文档的相似度

标记文件：

tokenizer = RegexpTokenizer(r'\w+')
taggeddoc=[]

for index,wod in enumerate(model_data):
    wordslist=[]
    tagslist=[]
    tokens = tokenizer.tokenize(wod)

    td = TaggedDocument(gensim.utils.to_unicode(str.encode(' '.join(tokens))).split(), str(index)) 
    taggeddoc.append(td)

documents=taggeddoc

实例化模型：

model=gensim.models.Doc2Vec(documents, dm=0, dbow_words=1, iter=1, alpha=0.025, min_alpha=0.025, min_count=10)

训练模型：

for epoch in range(100):
    if epoch % 10 == 0:
        print("Training epoch {}".format(epoch))
    model.train(documents, total_examples=model.corpus_count, epochs=model.iter)
    model.alpha -= 0.002
    model.min_alpha = model.alpha

问题在这里（我认为）：

new = model_data[100].split()
new_vector = model.infer_vector(new)
sims = model.docvecs.most_similar([new_vector], topn=5) …

我正在尝试从以下Dense层获取权重：

x = Dense(1024)(Flatten()(previous_layer))

如果我尝试执行以下操作：

x = Dense(1024)
weights = x.get_weights()

这工作正常，但我的理解是这些权重将是无用的，因为我们没有向该层提供任何输入。

但是，如果我尝试执行以下操作：

x = Dense(1024)(Flatten()(previous_layer))
weights = x.get_weights()

这不起作用，因为x现在是一个Tensor对象并且没有get_weights方法：

'Tensor' object has no attribute 'get_weights'

我究竟做错了什么？

我正在尝试使用估算器实现 DNN 分类器，如本教程所示： http //nbviewer.jupyter.org/gist/yufengg/7dd4170cc730ce418a1dcd141532ec6e

但是，每当我运行代码时，都会收到此冗长的错误消息：

回溯（最近一次通话）：文件“/Users/vivekreddy/Desktop/NN/IRis Practice Estimators.py”，第 48 行，步数=1000）文件“/Library/Frameworks/Python.framework/Versions/2.7/lib /python2.7/site-packages/tensorflow/python/estimator/estimator.py", line 352, in train loss = self._train_model(input_fn, hooks, Saving_listeners) File "/Library/Frameworks/Python.framework/Versions/ 2.7/lib/python2.7/site-packages/tensorflow/python/estimator/estimator.py", line 888, in _train_model log_step_count_steps=self._config.log_step_count_steps) as mon_sess: File "/Library/Frameworks/Python.framework/ Versions/2.7/lib/python2.7/site-packages/tensorflow/python/training/monitored_session.py", line 384, in MonitoredTrainingSession stop_grace_period_secs=stop_grace_period_secs) 文件"/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/site-packages/tensorflow/python/training/monitored_session.py”，第 795 行，在init stop_grace_period_secs=stop_grace_period_secs) 文件“/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/site-packages/tensorflow/python/training/monitored_session.py”，第 518 行，在init self._sess = _RecoverableSession(self._coordinated_creator) 文件“/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/site-packages/tensorflow/python/training/monitored_session.py”，第 981 行，在init _WrappedSession 中。在里面(self, self._create_session()) 文件“/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/site-packages/tensorflow/python/training/monitored_session.py”，第 986 行，在 _create_session 中返回 self._sess_creator.create_session() 文件“/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/site-packages/tensorflow/python/training/monitored_session.py”，第 675 行，在 create_session self .tf_sess = self._session_creator.create_session() 文件“/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/site-packages/tensorflow/python/training/monitored_session.py”，第 446 行，在create_session init_fn=self._scaffold.init_fn) 文件“/Library/Frameworks/Python.framework/Versions/2.7/lib/python2.7/site-packages/tensorflow/python/training/session_manager.py”，第 275 …

我是 MXNet 的新手，我想知道是否有人知道如何微调 CNN 中的更多层，而不仅仅是 FC 层。我看到的所有示例都只在 FC 层上进行了微调。在 Keras 中，这可以轻松完成，并且可以微调除 FC 块以外的更多 ConvNet 块：https : //github.com/Hvass-Labs/TensorFlow-Tutorials/blob/master/10_Fine-Tuning.ipynb

预训练网络

如果我们只想微调 FC 块，我们将所有层的可训练性设置为 false： layer.trainable = False

微调 FC 层

如果我们想要微调除 FC 层以外的更多 ConnNet 块，我们将这些层的 layer.trainable=True 设置为： 在 Keras 中微调 ConvNet 块

我的问题是如何在 MXNet 中做类似的事情

我发现keras.backendor 中有很多相同的名称keras.layers，例如keras.backend.concatenate和keras.layers.Concatenate。我隐约知道一个是张量，另一个是层。但是，当代码太大时，那么多函数使我感到困惑，即张量或层。有人有解决这个问题的好主意吗？

我发现的一种方法是首先在一个函数中定义所有占位符，但是该函数将其视为变量可能会在最后返回层，而另一个函数将这一层视为变量可能会返回另一个变量。

我有一个大小为[100,70,42]的3D张量（批处理，seq_len，要素），我想通过使用基于线性变换的神经网络来获取大小为[100,1,1]的张量。在Pytorch中为线性）。

我已经实现了以下代码

class Network(nn.Module):
   def __init__(self):
      super(Network, self).__init__()
      self.fc1 = nn.Linear(42, 120)
      self.fc2 = nn.Linear(120,1)

   def forward(self, input):
      model = nn.Sequential(self.fc1,
                            nn.ReLU(),
                            self.fc2)
      output = model(input)
      return output

但是，在训练后，这只会给我输出[100,70,1]的形状，这不是期望的形状。

谢谢！