标签: deep-learning

我有 1D-CNN 模型和 2D-​​CNN 模型，想将它们合并，如本文所述 ，我如何合并它们？任何帮助将不胜感激，非常感谢！

from keras import Sequential, Model
from keras.layers.core import Dense, Activation
from keras.layers.convolutional import Conv2D , Conv1D
from keras.layers import Conv2D, Conv1D,MaxPooling2D, Reshape, Concatenate, Dropout , MaxPooling1D
from keras.layers.merge import concatenate
from keras.layers import Dense, Input

model_1D = Sequential()
# 1
model_1D.add(Conv1D(32, kernel_size= 5 , strides=1, activation='relu' , input_shape = (7380, 128000)))
model_1D.add(MaxPooling1D(pool_size= 4, strides=4))
# 2 
model_1D.add(Conv1D(32, kernel_size= 5 , strides=1 , activation='relu'))
model_1D.add(MaxPooling1D(pool_size= 4, strides=4))
# 3
model_1D.add(Conv1D(64, kernel_size= 5 , strides=1 …

numpy.powerpytorch 中有类似的吗？

该函数基本上将第一个张量中的每个元素计算为第二个张量中每个对应元素所表示的幂。

我正在关注这篇文章，并尝试实现此功能：

def replace_max_pooling(model):
 '''
 The function replaces max pooling layers with average pooling layers with 
 the following properties: kernel_size=2, stride=2, padding=0.
 '''
 for layer in model.layers:
    if layer is max pooling:
        replace

但是我在迭代中得到一个错误说：

ModuleAttributeError: 'VGG' 对象没有属性 'layers'...

我怎样才能正确地做到这一点？

我正在尝试学习如何从头开始编写非常简单的神经网络。但是我看不到如何进行正确的培训。每当我运行 while 循环时，它就会陷入无限循环。这是我的代码：

#inputs and targets
x1=[1,0,1]
x2=[0,1,0]
x3=[0,0,1]
inputs=[x1,x2,x3]
targets=[1,0,0,1]

#parameters
np.random.seed(1)
w1 = np.random.random_sample(size = 3)
w1=w1.tolist()
alpha=0.1
itera=0

#activation function
def purelin(z):
    return z

#network
def red(i,w1):
    n=[]
    for inp in i:
        a=inp*w1[inputs.index(i)]
        n.append(a)
    n=sum(n) #sumar inputs*weights (caso sin bias)
    a=purelin(n)
    return a

#forward propagation
def forw(inputs):
    outputs=[]
    for i in inputs:
        x=red(i,w1)
        outputs.append(x)
    return outputs

#error
def error(targets, outputs):
    e=[]
    zip_object = zip(targets, outputs)
    for i, j in zip_object:
        e.append(i-j)
    return e 


#backpropagation 
def back(e):
    w1_=[] …

如何使用深度学习进行手部检测.是否有任何关于使用深度学习的手部检测的文章或教程或任何相关链接.请告诉我.手检测的方法或步骤是什么

我正面临一个实时问题，它有 4 个特征： Vmean, Vmedian, Vnow, VV。我想要做的是：

for i in range(len(X)):
     model.fit(X[i], X[i+1])
     model.predict(X[i+1])

也就是说，我试图预测X[i+2]throughX[i+1]和的值X[i]，因为一行与下一行相关，依此类推。这是我的模型：

def kerasModel():
    input_layer = keras.layers.Input(shape=(4, 1), name='input_shape')
    x = keras.layers.LSTM(100, name='lstm_0')(input_layer)
    x = keras.layers.Dropout(0.2, name='lstm_dropout')(x)
    x = keras.layers.Dense(64, name='x2')(x)
    output = keras.layers.Dense(4, activation='linear', name='x3')(x)
    model = keras.Model(inputs=input_layer, outputs=output)
    
    adam = keras.optimizers.Nadam(lr=0.005)
    model.compile(optimizer=adam, loss='mse')
    
    return model

但它不起作用。它没有像它应该做的那样预测下一个值。我的问题是：是否有任何论文或规则可以根据您的特征制作一个好的深度学习模型？另外，基于这个问题，哪个可能是一个好的模型？

我尝试在我的自定义数据集上实现基本的 Mask_RCNN 模型。我对图像做了一些增强。遵循 mask rcnn 的基本模式。我先训练系统​​，然后尝试测试。mAP 的结果始终为 0.0，预测结果如下所示。在此处输入图像描述我正在尝试识别汽车的分数，但这是最终结果。如果有人有任何建议，请帮助我。

假设我们将模型保存为 h5，那么我们可以使用 keras 的 load_model 函数加载模型。我浏览了多个 github 链接，其中作者提供了权重文件（.h5 或 .hdf5 文件）。

那么我们可以使用 load_model 来使用那些预训练的权重/模型吗？

load_model 和 load_weights 之间有什么区别？

我可以使用 load_model (keras) 加载权重文件还是应该使用 (load_weight)。如果我们正在加载重量，那么我们还必须加载模型的整个架构。

请通过举一些例子来提供更深入的理解。

到目前为止,我知道深度学习是机器学习的一个子集.我知道一些算法,它的实现如KNN,Naive bayes等机器学习.是否有任何特定的算法来表示和实施深度学习？

成功地训练神经网络(例如简单的前馈/后向多层感知器)来解决多项选择(基于文本的)问题的可能性有多大 - 如果可能性很小 - 那么关于这个问题的更聪明的方法是什么(或者不去)问题？

以下是有关多项选择考试结构的更多信息:

• 5行文字
• 1/5答案(每行1-2行)是正确的

还有一些假设:

• 结果/反馈立即显示
• 培训数据超过5000个问题

我想用Caffe框架和卷积神经网络实现对象检测,你能推荐一些论文和演示吗？
我只需要知道如何实现它.
如果您能提供源代码,那将是完美的.

我已经练习了一些机器学习方面,并开发了一些小项目.如今一些嘈杂的博客,文章,公开帖子谈论深度学习.我很想知道机器学习和深度学习之间的区别,也许是学习一种称为深度学习的新方法/技术.我读过很少的博客,但从概念上讲,深度学习是机器学习的一个子集,它只不过是具有多层次的神经网络!然而,我感到惊讶和困惑,以确认它是机器学习和深度学习之间的唯一区别!如果我们只想谈论神经网络,那么考虑深度学习而不是机器学习的优点是什么？所以,如果是,为什么不称它为神经网络,或深度神经网络来区分某些分类？真的不同于我提到的吗？是否有任何实际例子显示出让我们做出这些不同观念的重大差异？