小编Rac*_*nog的帖子

我真的是JS的新手,很抱歉,我没有附加任何代码,因为我所做的一切 - 来自Google Map Docs的"helloworld"示例.

那么,有什么问题:我想根据用户的当前位置绘制折线.所以,每个google.maps.LatLng()都应该有坐标.在地图上应该出现整个更新方式,例如,每5秒更新一次.最后一点,就像在地图上行走的早晨的可视化,就像那样.

我知道,如何"绘制"地图并在var flightPlanCoordinates []中添加点,我要求一些示例或链接,我可以在其中找到:

• 如何将当前位置添加到var flightPlanCoordinates []
• 如何在"实时"模式下更新所有这些内容

谢谢你的帮助 :)

UPD:

试图做这样的事情,但不起作用

var path = poly.getPath();

var latitude  = position.coords.latitude;
var longitude = position.coords.longitude;

path.push(new google.maps.LatLng(latitude, longitude));

UPD2:这是一个很酷的例子,应该如何http://kasheftin.github.io/gmaps/

我正致力于图像分类任务,并决定使用Lasagne + Nolearn进行神经网络原型.像MNIST数字分类这样的所有标准例子运行良好,但是当我尝试使用自己的图像时会出现问题.

我想使用3通道图像,而不是灰度图像.还有我正在尝试从图像中获取数组的代码:

 img = Image.open(item)
 img = ImageOps.fit(img, (256, 256), Image.ANTIALIAS)
 img = np.asarray(img, dtype = 'float64') / 255.
 img = img.transpose(2,0,1).reshape(3, 256, 256)   
 X.append(img)

这是NN的代码及其拟合:

X, y = simple_load("new")

X = np.array(X)
y = np.array(y)


net1 = NeuralNet(
    layers=[  # three layers: one hidden layer
        ('input', layers.InputLayer),
        ('hidden', layers.DenseLayer),
        ('output', layers.DenseLayer),
        ],
    # layer parameters:
    input_shape=(None, 65536),  # 96x96 input pixels per batch
    hidden_num_units=100,  # number of units in hidden layer
    output_nonlinearity=None,  # output layer uses identity …

我使用了来自https://github.com/BVLC/caffe/tree/master/models/bvlc_googlenet的预训练GoogleNet,并使用我自己的数据(~100k图像,101个类)对其进行了微调.经过一天的培训后,我在前1名中获得62%,在前5名中获得85%,并尝试使用此网络预测多张图像.

我只是按照https://github.com/BVLC/caffe/blob/master/examples/classification.ipynb的例子,

这是我的Python代码:

import caffe
import numpy as np


caffe_root = './caffe'


MODEL_FILE = 'caffe/models/bvlc_googlenet/deploy.prototxt'
PRETRAINED = 'caffe/models/bvlc_googlenet/bvlc_googlenet_iter_200000.caffemodel'

caffe.set_mode_gpu()

net = caffe.Classifier(MODEL_FILE, PRETRAINED,
               mean=np.load('ilsvrc_2012_mean.npy').mean(1).mean(1),
               channel_swap=(2,1,0),
               raw_scale=255,
               image_dims=(224, 224))

def caffe_predict(path):
        input_image = caffe.io.load_image(path)
        print path
        print input_image
        prediction = net.predict([input_image])


        print prediction
        print "----------"

        print 'prediction shape:', prediction[0].shape
        print 'predicted class:', prediction[0].argmax()


        proba = prediction[0][prediction[0].argmax()]
        ind = prediction[0].argsort()[-5:][::-1] # top-5 predictions


        return prediction[0].argmax(), proba, ind

在我的deploy.prototxt中,我仅更改了最后一层以预测我的101个类.

layer {
  name: "loss3/classifier"
  type: "InnerProduct"
  bottom: "pool5/7x7_s1"
  top: "loss3/classifier" …

我正在研究句子标签问题。我自己完成了嵌入和填充，我的输入看起来像：

X_i = [[0,1,1,0,2,3...], [0,1,1,0,2,3...], ..., [0,0,0,0,0...],  [0,0,0,0,0...], ....]

对于句子中的每个单词，我想预测四个类别之一，所以我想要的输出应该是这样的：

Y_i = [[1,0,0,0], [0,0,1,0], [0,1,0,0], ...]

我的简单网络架构是：

model = Sequential()

model.add(LSTM(input_shape = (emb,),input_dim=emb, output_dim=hidden, return_sequences=True))
model.add(TimeDistributedDense(output_dim=4))
model.add(Activation('softmax'))
    model.compile(loss='binary_crossentropy', optimizer='adam')

model.fit(X_train, Y_train, batch_size=32, nb_epoch=3, validation_data=(X_test, Y_test), verbose=1, show_accuracy=True)

它在训练时显示大约 95%，但是当我尝试使用训练有素的模型预测新句子时，结果非常糟糕。看起来模型只是为第一个单词学习了一些类，并且每次都显示它。我认为问题可能是：

1. 自己写的padding（句末零向量），会不会让学习更糟？

2. 我应该尝试学习不同长度的句子，没有填充（如果是，你能帮助我如何在 Keras 中训练这种模型吗？）

3. 错误的学习目标，但我尝试了均方误差，二元交叉熵等，它没有改变。

4. 与TimeDistributedDense和 的东西softmax，我想，我已经知道它是如何工作的，但仍然不是 100% 确定。

我很高兴看到有关此问题的任何提示或帮助，谢谢！