标签: keras

我已经用 Keras 训练了模型，它根据帖子预测标签。训练后，它会循环超过 10 个测试帖子并预测标签。我还需要为每个帖子显示预测的准确性，但我不知道该怎么做...这是代码示例。我将感谢您的帮助。

for i in range(10):
prediction = loaded_model.predict(np.array([x_test[i]]))
predicted_label = text_labels[np.argmax(prediction)]
print(test_posts.iloc[i][:50], "...")
print('Actual label:' + test_tags.iloc[i])
print("Predicted label: " + predicted_label + "\n")

我正在使用自动编码器，如果重建图像是这样的，那没关系，因为输入图像丢失了很多高质量的 重建图像

我应该怎么做才能让图像看起来更像输入，因为我将使用输出图像进行人脸识别。

我应该编辑时代，批量大小..？。

当我从以下链接运行代码时：

https://gist.github.com/fchollet/f35fbc80e066a49d65f1688a7e99f069#file-classifier_from_little_data_script_2-py

我收到以下错误：

使用 TensorFlow 后端。找到属于 2 个类别的 2000 张图像。/home/nd/anaconda3/lib/python3.6/site-packages/PIL/TiffImagePlugin.py:692: UserWarning: 可能损坏 EXIF 数据。期望读取 80000 字节，但只得到 0。Skipping tag 64640 "Skipping tag %s" % (size, len(data), tag))

我正在使用 Ubuntu。

尝试的解决方案：将第 70 行和第 81 行中的“w”更改为“wb”。

提前谢谢

我正在尝试用两个类进行图像分类.我有1000张平衡类的图像.当我训练模型时,我得到的恒定验证精度低,但验证损失减少.这是过度拟合还是过度拟合的迹象？我还应该注意到,我正在尝试使用新类和不同的数据集重新训练Inception V3模型.

Epoch 1/10
2/2 [==============================]2/2 [==============================] - 126s 63s/step - loss: 0.7212 - acc: 0.5312 - val_loss: 0.7981 - val_acc: 0.3889

Epoch 2/10
2/2 [==============================]2/2 [==============================] - 70s 35s/step - loss: 0.6681 - acc: 0.5959 - val_loss: 0.7751 - val_acc: 0.3889

Epoch 3/10
2/2 [==============================]2/2 [==============================] - 71s 35s/step - loss: 0.7313 - acc: 0.4165 - val_loss: 0.7535 - val_acc: 0.3889

Epoch 4/10
2/2 [==============================]2/2 [==============================] - 67s 34s/step - loss: 0.6254 - acc: 0.6603 - val_loss: 0.7459 - …

首先，我是Python新手。尝试构建 ROC 曲线时，我在此代码行上收到错误：

fpr_keras, tpr_keras, thresholds_keras = roc_curve(Y_test.argmax(axis=1), decoded_imgs.argmax(axis=1))

错误：

ValueError：输入形状错误（2、256、3）

当我在重塑后尝试塑造时，出现第二个错误：

类型错误：“元组”对象不可调用

我点击了这个链接，但我不明白我应该做什么，我正在解决这个问题。有人可以编辑我的代码吗？这就是我想做的：link2

import keras
import numpy as np
from keras.datasets import mnist
from get_dataset import get_dataset
from stack import keras_model

X_train, X_test, Y_train, Y_test = get_dataset()

from keras.layers import Input, Conv2D, MaxPooling2D, UpSampling2D, Dense
from keras.models import Model

input_img = Input(shape=(256, 256, 3))

x = Conv2D(32, (3, 3), activation='relu', padding='same')(input_img)
x = MaxPooling2D((2, 2), padding='same')(x)
x = Conv2D(64, (3, 3), activation='relu', padding='same')(x)
x = MaxPooling2D((2, …

我遇到过许多用于分类问题的神经网络架构。AlexNet、ResNet、VGGNet、GoogLeNet 等......是否有类似的回归问题网络可用于迁移学习？

我有一个faces列表，其中列表的每个元素都是一个形状为 ( 1, 224, 224, 3) 的 numpy 数组，即人脸图像。我有一个模型，其输入形状为(None, 224, 224, 3)，输出形状为(None, 2)。

现在我想对faces列表中的所有图像进行预测。当然，我可以遍历列表并一个一个地得到预测，但我想将所有图像作为一个批次处理，只使用一次调用来model.predict()更快地获得结果。

如果我像现在这样直接传递人脸列表（最后是完整的代码），我只会得到第一张图像的预测。

print(f"{len(faces)} faces found")
print(faces[0].shape)
maskPreds = model.predict(faces)
print(maskPreds)

输出：

3 faces found
(1, 224, 224, 3)
[[0.9421933  0.05780665]]

但是maskPreds对于 3 个图像应该是这样的：

[[0.9421933  0.05780665], 
 [0.01584494 0.98415506], 
 [0.09914105 0.9008589 ]] 

完整代码：

print(f"{len(faces)} faces found")
print(faces[0].shape)
maskPreds = model.predict(faces)
print(maskPreds)

注意：如果我不将每个图像从 (224, 224, 3) 转换为 ( 1, 224, 224, 3)，tensorflow 会抛出错误，指出输入维度不匹配。

ValueError: Error when checking …

CTC丢失错误InvalidArgumentError：没有足够的时间进行目标转换序列

我有以下输入数据结构：

   X1     |    X2     |    X3     | ... | Output (Label)
118.12341 | 118.12300 | 118.12001 | ... | [a value between 0 & 1] e.g. 0.423645

我使用它tensorflow来解决预测Output变量未来值的回归问题。为此，我构建了一个前馈神经网络，该网络具有三个具有relu激活函数的隐藏层和一个具有一个节点的最终输出层linear activation。该网络使用优化器通过反向传播进行训练adam。

我的问题是，在对网络进行了数千次训练后，我意识到输入特征和输出中的这种高度小数的值仅导致预测接近小数点后第二位，例如：

Real value = 0.456751 | Predicted value = 0.452364

然而，这不被接受，我需要精确到小数点后第四位（至少）才能接受该值。

问：是否有任何值得信赖的技术可以正确解决这个问题以获得更好的结果（也许是转换算法）？

提前致谢。

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？

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。

我们能否在不影响分辨率的情况下将图像大小从 64x64 调整为 256x256 是一种在新调整大小的输出中在新行和新列上添加零的方法我正在处理 vgg，在添加 64x64 输入图像时出现错误，因为 vggface 是包含输入大小 224 的预训练模型

代码：

from keras.models import Model, Sequential
from keras.layers import Input, Convolution2D, ZeroPadding2D, MaxPooling2D, Flatten, Dense, Dropout, Activation
from PIL import Image
import numpy as np
from keras.preprocessing.image import load_img, save_img, img_to_array
from keras.applications.imagenet_utils import preprocess_input
from keras.preprocessing import image
import matplotlib

matplotlib.use('TkAgg')

import matplotlib.pyplot as plt

# from sup5 import X_test, Y_test
from sklearn.metrics import roc_curve, auc


from keras.models import Model, Sequential
from keras.layers import Input, Convolution2D, ZeroPadding2D, …