小编Ioa*_*ios的帖子

这个问题似乎很简单，但我找不到任何解决方案。

说我有一个没有标题的CSV文件。

121
334
313
930

我想像这样0在底部添加/添加新行

121
334
313
930
0

我尝试使用以下方法，但未成功。

import pandas as pd
import os

folder_path = "/home/Ling/test/"
df = pd.read_fwf(folder_path + "test1.csv", usecols=[0], delimiter=",")
df2 = pd.DataFrame([[0]], dtype=int)
print df.append(df2, ignore_index=True)

结果

NaN 121
NaN 334
NaN 313
NaN 930
0.0 NaN

我正在关注这个例子

我什至尝试将更[[0]]改为[[0,]]，[[,0]]但没有成功。我在代码中有什么想念的吗？

感谢您的帮助和建议。

我试图在 Keras 上以双精度运行 LeNet，但它失败并出现错误：TypeError: Input 'filter' of 'Conv2D' Op has type float64 that does not match type float32 of argument 'input'.. 我使用的代码如下：

import numpy as np
from sklearn.utils import shuffle
import keras
from keras.models import Sequential
from keras.layers import Input, Dense, Conv2D, MaxPooling2D, Dropout,Flatten
from keras import backend as K
from keras.models import Model
from keras.utils import np_utils
import time
import tensorflow as tf
K.set_floatx('float64') # Note: the code works if we comment this line, i.e., with single …

我正在采用预训练的 CNN 模型，然后尝试使用并行 CNN 实现 CNN-LSTM，所有这些并行 CNN 都具有相同的预训练权重。

# load in CNN
weightsfile = 'final_weights.h5'
modelfile = '2dcnn_model.json'

# load model from json
json_file = open(modelfile, 'r')
loaded_model_json = json_file.read()
json_file.close()
fixed_cnn_model = keras.models.model_from_json(loaded_model_json)
fixed_cnn_model.load_weights(weightsfile)

# remove the last 2 dense FC layers and freeze it
fixed_cnn_model.pop()
fixed_cnn_model.pop()
fixed_cnn_model.trainable = False

print(fixed_cnn_model.summary())
This will produce the summary:

_

________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_1 (InputLayer)         (None, 32, 32, 4)         0         
_________________________________________________________________
conv2d_1 (Conv2D)            (None, 30, 30, 32) …

目标是预测 87601 个时间步长（10 年）和 9 个目标的时间序列 Y。输入特征 X（外源输入）是 87600 个时间步长的 11 个时间序列。输出还有一个时间步长，因为这是初始值。时间步 t 处的输出 Yt 取决于输入 Xt 和先前的输出 Yt-1。

因此，模型应如下所示：模型布局

我只能找到这个线程：LSTM: How to feed the output back to the input? 第4068章 我尝试使用 Keras 实现此功能，如下所示：

def build_model():
    # Input layers
    input_x = layers.Input(shape=(features,), name='input_x')
    input_y = layers.Input(shape=(targets,), name='input_y-1')

    # Merge two inputs
    merge = layers.concatenate([input_x,input_y], name='merge')

    # Normalise input
    norm = layers.Lambda(normalise, name='scale')(merge)

    # Hidden layers
    x = layers.Dense(128, input_shape=(features,))(norm)

    # Output layer
    output = layers.Dense(targets, activation='relu', name='output')(x) …

我有以下使用功能 API 的 Keras LSTM 模型：

model = Sequential()
model.add(Lambda(lambda x: x,input_shape=(timestep,n_feature)))
output = model.output
output = LSTM(8)(output)
output = Dense(2)(output)

inputTensor = model.input
myModel = Model([inputTensor], output)
myModel.compile(loss='mean_squared_error', optimizer='adam')

myModel.fit([trainX], trainY, epochs=100, batch_size=1, verbose=2, validation_split = 0.1)

该模型工作正常，但我认为我的架构中有多余的语法。例如，Lambda 层仅用于定义 input_shape，也许可以将其删除？上面的代码可以简化/清理吗（我想继续使用函数式API）？谢谢！

我了解在IMDB审阅分类中只有一个文本功能的情况下如何使用Keras嵌入层。但是，当我遇到一个分类问题（其中有多个文本功能）时，我对如何使用嵌入层感到困惑。例如，我有一个具有2个文本特征“诊断文本”和“请求的过程”的数据集，并且标签是二进制类（1表示批准，0表示未批准）。在下面的示例中，与IMDB数据集不同，x_train具有2列“诊断”和“过程”。我是否需要创建2个嵌入层，其中一个用于诊断和过程？如果是这样，将需要更改哪些代码？

x_train = preprocessing.sequences.pad_sequences(x_train, maxlen=20)
x_test = preprocessing.sequences.pad_sequences(x_test, maxlen=20)
model = Sequential()
model.add(Embedding(10000,8,input_length=20)
model.add(Flatten())
model.add(Dense(1, activation='sigmoid')
model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['acc'])
model.fit(x_train, y_train, epochs=10, batch_size=32, validation_split=0.2)

我正在尝试学习使用 Keras 模型 API 来修改经过训练的模型，以便随时随地对其进行微调：

一个非常基本的模型：

inputs = Input((x_train.shape[1:]))
x = BatchNormalization(axis=1)(inputs)
x = Flatten()(x)
outputs = Dense(10, activation='softmax')(x)
model1 = Model(inputs, outputs)
model1.compile(optimizer=Adam(lr=1e-5), loss='categorical_crossentropy', metrics=['categorical_accuracy'])

它的架构是

InputLayer -> BatchNormalization -> Flatten -> Dense

在对它进行一些训练批次之后，我想在 Flatten 和输出之间添加一些额外的 Dense 层：

x = Dense(32,activation='relu')(model1.layers[-2].output)
outputs = model1.layers[-1](x)

但是，当我运行它时，我得到了这个：

ValueError：输入 0 与层密集_1 不兼容：输入形状的预期轴 -1 具有值 784 但得到形状（无，32）

有人可以解释一下发生了什么以及如何/是否可以向已经训练好的模型添加层？

谢谢

从PyTorch Seq2Seq教程,http: //pytorch.org/tutorials/intermediate/seq2seq_translation_tutorial.html#attention-decoder

我们看到注意机制严重依赖于MAX_LENGTH参数来确定输出维数attn -> attn_softmax -> attn_weights,即

class AttnDecoderRNN(nn.Module):
    def __init__(self, hidden_size, output_size, dropout_p=0.1, max_length=MAX_LENGTH):
        super(AttnDecoderRNN, self).__init__()
        self.hidden_size = hidden_size
        self.output_size = output_size
        self.dropout_p = dropout_p
        self.max_length = max_length

        self.embedding = nn.Embedding(self.output_size, self.hidden_size)
        self.attn = nn.Linear(self.hidden_size * 2, self.max_length)
        self.attn_combine = nn.Linear(self.hidden_size * 2, self.hidden_size)
        self.dropout = nn.Dropout(self.dropout_p)
        self.gru = nn.GRU(self.hidden_size, self.hidden_size)
        self.out = nn.Linear(self.hidden_size, self.output_size)

进一步来说

self.attn = nn.Linear(self.hidden_size * 2, self.max_length)

我理解MAX_LENGTH变量是减少no的机制.需要训练的参数AttentionDecoderRNN.

如果我们没有MAX_LENGTH预先决定.我们应该用什么值初始化attn图层？ …

假设我加载了 inception，我需要在分类之前提取最终描述符。所以给出这样一个简单的代码：

cnn = InceptionV3(weights='imagenet',
              include_top='False',
              pooling='avg')
cnn.predict(x, batch_size=32, verbose=0)

如何在预测期间提取最后一层？

我正在尝试实现一个连体网络（通过使用三元组损失方法）。我就是不能让它训练。经过多次尝试，我想我的问题出现在生成器中（我准备输入数据流用于训练），但到目前为止我无法定位问题。帮助！:)

这是我的模型定义（它基于 ResNet50）。

model = ResNet50(weights='imagenet')
model.layers.pop()
for layer in model.layers:
    layer.trainable = False
x = model.get_layer('flatten_1').output
model_out = Dense(128, activation='sigmoid',  name='model_out')(x)
new_model = Model(inputs=model.input, outputs=model_out)

这里我定义了要训练的模型：

anchor_in = Input(shape=(224, 224, 3))
positive_in = Input(shape=(224, 224, 3))
negative_in = Input(shape=(224, 224, 3))

anchor_out = new_model(anchor_in)
positive_out = new_model(positive_in)
negative_out = new_model(negative_in)

merged_vector = concatenate([anchor_out, positive_out, negative_out], axis=-1)
# Define the model to be trained
siamese_model = Model(inputs=[anchor_in, positive_in, negative_in],
                      outputs=merged_vector)
siamese_model.compile(optimizer=Adam(lr=.001), loss=triplet_loss)

能够训练模型。我需要使用生成器为它提供数据，这是我定义它的方式：

（请注意，我特意在每个文件夹中只放了 1 张图片只是为了开始。如果可以的话，我稍后会增加每个文件夹中的 # 个图片。）

def generator_three_imgs(): …