小编Kim*_*Hee的帖子

在tensorflow 1.4中,我发现了两个执行批量规范化的函数,它们看起来相同:

1. tf.layers.batch_normalization(链接)
2. tf.contrib.layers.batch_norm(链接)

我应该使用哪种功能？哪一个更稳定？

我正在使用 BatchNorm 层。use_global_stats我知道通常false为训练和测试/部署而设置的设置的含义true。这是我在测试阶段的设置。

layer {
  name: "bnorm1"
  type: "BatchNorm"
  bottom: "conv1"
  top: "bnorm1"
  batch_norm_param {
    use_global_stats: true
  }
}
layer {
  name: "scale1"
  type: "Scale"
  bottom: "bnorm1"
  top: "bnorm1"
  bias_term: true
  scale_param {
    filler {
      value: 1
    }    
    bias_filler {
      value: 0.0
    }
  }
}

在solver.prototxt中，我使用了Adam方法。我发现我的案例中出现了一个有趣的问题。如果我选择，那么当我在测试阶段base_lr: 1e-3设置时，我会得到很好的性能。use_global_stats: false然而，如果我选择，那么当我在测试阶段base_lr: 1e-4设置时，我会得到很好的性能。use_global_stats: true它证明了base_lr对批规范设置的影响（即使我使用了 Adam 方法）？你能提出任何理由吗？谢谢大家

我的特征向量大小为 1x4098。每个特征向量对应一个浮点数（温度）。在训练中，我有 10.000 个样本。因此，我的训练集大小为 10000x4098，标签为 10000x1。我想使用线性回归模型从训练数据中预测温度。我正在使用具有 MSE 损失的 3 个隐藏层（512、128、32）。但是，我使用 tensorflow 只获得了 80% 的准确率。您能否向我建议其他损失函数以获得更好的性能？

我正在使用skimage填充二进制输入图像（左侧）的孔。这是我的代码

from skimage import ndimage
img_fill_holes=ndimage.binary_fill_holes(binary).astype(int)

但是，以上代码的结果无法完全填补二进制图像的空白。这意味着输出仍然保留圆内的孔。如何完全填充圆孔？