小编nur*_*ric的帖子

我正在使用 keras 构建一个用于图像分割的卷积神经网络，我想使用“反射填充”而不是“相同”填充，但我找不到在 keras 中做到这一点的方法。

inputs = Input((num_channels, img_rows, img_cols))
conv1=Conv2D(32,3,padding='same',kernel_initializer='he_uniform',data_format='channels_first')(inputs)

有没有办法实现反射层并将其插入到 keras 模型中？

我正在使用 Keras（tensorflow 后端）并且想知道如何将多个嵌入层添加到 Keras Sequential 模型中。

更具体地说，我的数据集中有几列具有分类值，并且我已经考虑使用单热编码，但已确定分类项目的数量为数百，导致大量且过于稀疏的列集。在寻找解决方案时，我发现 Keras 的嵌入层似乎非常优雅地解决了这个问题。但是，大多数示例（和 Keras 文档）说明了一个非常简单的情况，其中包含一个 Embedding 层。

不幸的是，我不知道如何将多个 Embedding 层作为输入集成到单个模型中。

我的代码看起来像这样，但它不起作用，我猜测多个 Embedding 层按顺序操作（第一个 Embedding 层输入第二个，依此类推）而不是模型的多个输入源：

model = Sequential()
model.add(Embedding(500, 64, input_length=10))  # categorical col 1
model.add(Embedding(100, 64, input_length=10))  # categorical col 2
model.add(Embedding(500, 64, input_length=10))  # categorical col 3
model.add(Flatten... 
model.add(Dense...

我的问题是如何建立 Keras Sequential 模型，以便能够使用上面显示的三个嵌入层。第一层和最后一层之间的具体内容：

model = Sequential()
#
# What goes here?
#
model.add(Dense...

我是在正确的轨道上，还是我的方法不正确，我需要以不同的方式建立模型？任何建议/示例表示赞赏！

我遇到过一种情况，其中平均值包含填充值。X给定某种形状的张量(batch_size, ..., features)，可能有零填充特征来获得相同的形状。

如何对X（特征）的最终维度进行平均，但仅对非零条目进行平均？因此，我们将总和除以非零条目的数量。

输入示例：

x = [[[[1,2,3], [2,3,4], [0,0,0]],
       [[1,2,3], [2,0,4], [3,4,5]],
       [[1,2,3], [0,0,0], [0,0,0]],
       [[1,2,3], [1,2,3], [0,0,0]]],
      [[[1,2,3], [0,1,0], [0,0,0]],
       [[1,2,3], [2,3,4], [0,0,0]],                                                         
       [[1,2,3], [0,0,0], [0,0,0]],                                                         
       [[1,2,3], [1,2,3], [1,2,3]]]]
# Desired output
y = [[[1.5 2.5 3.5]
      [2.  2.  4. ]
      [1.  2.  3. ]
      [1.  2.  3. ]]
     [[0.5 1.5 1.5]
      [1.5 2.5 3.5]
      [1.  2.  3. ]
      [1.  2.  3. ]]]

由于 RAM 内存的限制，我按照这些说明构建了一个生成器，该生成器绘制小批量并将它们传递到 Keras 的 fit_generator 中。但是即使我继承了序列，Keras 也无法使用多处理准备队列。

这是我的多处理生成器。

class My_Generator(Sequence):
    def __init__(self, image_filenames, labels, batch_size):
        self.image_filenames, self.labels = image_filenames, labels
        self.batch_size = batch_size

    def __len__(self):
        return np.ceil(len(self.image_filenames) / float(self.batch_size))

    def __getitem__(self, idx):
        batch_x = self.image_filenames[idx * self.batch_size:(idx + 1) * self.batch_size]
        batch_y = self.labels[idx * self.batch_size:(idx + 1) * self.batch_size]

    return np.array([
        resize(imread(file_name), (200, 200))
           for file_name in batch_x]), np.array(batch_y)

主要功能：

batch_size = 100
num_epochs = 10
train_fnames = []
mask_training = []
val_fnames = [] 
mask_validation …

我正在尝试使用早期停止和模型检查点来保存最佳模型,同时训练深度卷积神经网络.但是,我收到以下错误:

 callback.set_model(model)
 AttributeError: 'list' object has no attribute 'set_model'

到目前为止我的代码是:

model = Sequential()

###First block
model.add(Conv2D(100,kernel_size = (3,3),activation = 'relu',padding = 'same',input_shape=(12,11,1)))
model.add(Conv2D(100,kernel_size = (3,3),activation = 'relu',padding = 'same'))
model.add(MaxPooling2D(pool_size = (2,2)))
model.add(Dropout(0.20))


###Second block

model.add(Conv2D(128,kernel_size = (3,3),activation = 'relu',padding = 'same'))
model.add(Conv2D(128,kernel_size = (3,3),activation = 'relu',padding = 'same'))
model.add(MaxPooling2D(pool_size = (2,2)))
model.add(Dropout(0.10))


model.add(Flatten())

#model.add(Dense(100,activation = 'relu',kernel_regularizer=regularizers.l2(0.01)))
model.add(Dense(1000,activation = 'relu',kernel_regularizer=regularizers.l2(0.01)))
model.add(Dropout(0.30))
model.add(Dense(500,activation = 'relu',kernel_regularizer=regularizers.l2(0.01)))
model.add(Dropout(0.10))
#model.add(Dense(500,activation = 'relu',kernel_regularizer=regularizers.l2(0.01)))
#model.add(Dropout(0.15))

model.add(Dense(5,activation = 'softmax')) 

model.compile(loss='categorical_crossentropy',
              optimizer='adam',
              metrics=['accuracy'])


earlystop = [EarlyStopping(monitor='val_acc', min_delta=0.001, patience=5, …