小编ZFT*_*rbo的帖子

目前我使用以下代码:

callbacks = [
    EarlyStopping(monitor='val_loss', patience=2, verbose=0),
    ModelCheckpoint(kfold_weights_path, monitor='val_loss', save_best_only=True, verbose=0),
]
model.fit(X_train.astype('float32'), Y_train, batch_size=batch_size, nb_epoch=nb_epoch,
      shuffle=True, verbose=1, validation_data=(X_valid, Y_valid),
      callbacks=callbacks)

它告诉Keras在2个时期的损失没有改善时停止训练.但是我希望在损失变得小于某些常数"THR"之后停止训练:

if val_loss < THR:
    break

我在文档中看到有可能进行自己的回调:http: //keras.io/callbacks/ 但是没有找到如何停止训练过程.我需要一个建议.

我有一个训练有素的Keras模型，我想要：

1）用相同但无偏差的Con2D层替换。

2）在首次激活之前添加BatchNormalization层

我怎样才能做到这一点？

def keras_simple_model():
    from keras.models import Model
    from keras.layers import Input, Dense,  GlobalAveragePooling2D
    from keras.layers import Conv2D, MaxPooling2D, Activation

    inputs1 = Input((28, 28, 1))
    x = Conv2D(4, (3, 3), activation=None, padding='same', name='conv1')(inputs1)
    x = Activation('relu')(x)
    x = Conv2D(4, (3, 3), activation=None, padding='same', name='conv2')(x)
    x = Activation('relu')(x)
    x = MaxPooling2D((2, 2), strides=(2, 2), name='pool1')(x)

    x = Conv2D(8, (3, 3), activation=None, padding='same', name='conv3')(x)
    x = Activation('relu')(x)
    x = Conv2D(8, (3, 3), activation=None, padding='same', name='conv4')(x)
    x = Activation('relu')(x)
    x = …

假设我有 2 个非常相似的字符串。我想找到在 Levenshtein 距离方面接近 s1 和 s2 的其他字符串。

import Levenshtein
s1 = 'aaabbbccc'
s2 = 'abacbbbccde'
dist = Levenshtein.distance(s1, s2)
print(dist)
mid_str = get_avg_string(s1, s2)

什么可以有效实现功能：

def get_avg_string(s1, s2):
    return ''

我需要这个变量：

sum_lev = Levenshtein.distance(s1, mid_str) + Levenshtein.distance(s2, mid_str)
diff_lev = abs(Levenshtein.distance(s1, mid_str) - Levenshtein.distance(s2, mid_str)

最小（我认为sum_lev将等于dist和diff_lev <= 1）。

我们有一些大的二进制数N(大意味着数百万的数字).我们还有二进制掩码M,其中1表示我们必须删除数字N中此位置的数字,并将所有较高位移到一个位置右侧.

例:

N = 100011101110
M = 000010001000
Res   1000110110

是否有可能在没有一些逻辑或算术运算的循环的情况下解决这个问题？我们可以假设我们可以在Python中访问bignum算法.

感觉它应该是这样的:Res = N - (N xor M)但它不起作用

UPD:我目前的循环解决方案如下:

def prepare_reduced_arrays(dict_of_N, mask):
    '''
    mask: string '0000011000'
    each element of dict_of_N - big python integer
    '''

    capacity = len(mask)
    answer = dict()
    for el in dict_of_N:
        answer[el] = 0

    new_capacity = 0
    for i in range(capacity - 1, -1, -1):
        if mask[i] == '1':
            continue
        cap2 = (1 << new_capacity)
        pos = (capacity - i - 1)
        for el in …

例如,我有CNN试图从MNIST数据集中预测数字(使用Keras编写的代码).它有10个输出,形成softmax层.只有一个输出可以为真(每个数字从0到9独立):

Real: [0, 1, 0, 0, 0, 0, 0, 0, 0, 0]
Predicted: [0.02, 0.9, 0.01, 0.01, 0.01, 0.01, 0.01, 0.01, 0.01, 0.01]

由于softmax的定义,预测总和等于1.0.

假设我有一个任务,我需要对一些可能属于以下类别的对象进行分类:

Real: [0, 1, 0, 1, 0, 1, 0, 0, 0, 1]

所以我需要以其他方式规范化.我需要在范围[0,1]上给出值的函数,其总和可以大于1.

我需要这样的东西:

Predicted: [0.1, 0.9, 0.05, 0.9, 0.01, 0.8, 0.1, 0.01, 0.2, 0.9]

每个数字是对象属于给定类别的概率.之后,我可以使用像0.5这样的阈值来区分给定对象所属的类别.

出现以下问题:

1. 那么哪个激活功能可用于此？
2. 可能这个功能已经存在于Keras？
3. 在这种情况下,您可以提出一些其他预测方法吗？

我目前正在尝试在Windows中构建word2vec.但posix_memalign()功能有问题 .每个人都建议使用_aligned_malloc(),但参数的数量是不同的.那么什么是posix_memalign()Windows中最好的等价物？