小编kei*_*345的帖子

我尝试重现TensorFlow的LSTMCell生成的结果,以确保我知道它的作用.

这是我的TensorFlow代码:

num_units = 3
lstm = tf.nn.rnn_cell.LSTMCell(num_units = num_units)

timesteps = 7
num_input = 4
X = tf.placeholder("float", [None, timesteps, num_input])
x = tf.unstack(X, timesteps, 1)
outputs, states = tf.contrib.rnn.static_rnn(lstm, x, dtype=tf.float32)

sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)

x_val = np.random.normal(size = (1, 7, num_input))

res = sess.run(outputs, feed_dict = {X:x_val})

for e in res:
    print e

这是它的输出:

[[-0.13285545 -0.13569424 -0.23993783]]
[[-0.04818152  0.05927373  0.2558436 ]]
[[-0.13818116 -0.13837864 -0.15348436]]
[[-0.232219    0.08512601  0.05254192]]
[[-0.20371495 -0.14795329 -0.2261929 ]]
[[-0.10371902 -0.0263292  -0.0914975 …

我想编写一个模板来确定类型是否是编译时的stl容器.

我有以下一点代码:

struct is_cont{};
struct not_cont{};

template <typename T>
struct is_cont { typedef not_cont result_t; };

但我不确定如何创建必要的专业化std::vector<T,Alloc>, deque<T,Alloc>, set<T,Alloc,Comp>等...

我编写了一个由Layer类扩展的自定义图层类,然后我想挑选历史记录以供进一步分析,但是当我从文件重新加载pickle对象时,python引发了一个错误:

未知图层:注意.

那么,我该如何解决呢？

我都一直get_config,__getstate__并且__setstate__,但是失败了.我只想挑选keras历史,但不是模型,所以请不要告诉我带custom_object参数的保存模型方法.

我想n*n在TensorFlow中创建一个对称矩阵并训练这个矩阵.实际上,我应该只训练(n+1)*n/2参数.我该怎么做？

我看到一些以前的线程建议执行以下操作:

X = tf.Variable(tf.random_uniform([d,d], minval=-.1, maxval=.1, dtype=tf.float64))

X_symm = 0.5 * (X + tf.transpose(X))

但是,这意味着我必须训练n*n变量,而不是n*(n+1)/2变量.

即使没有实现这一功能,一段自编代码也会有所帮助!

谢谢!

我正在尝试制作一个解决难题的程序.我的尝试与我测试的样本拼图一起工作得很好.现在我正在尝试制作一个真正的拼图.这个新拼图的拼图块并没有真正的形状.

我设法将图像变成黑白,最后变成1和0的数组,其中1表示片段,0表示背景.我想找到一种方法来识别这些碎片的4个角,峰和深度的坐标.

我试图计算1附近的0的数量,以查看边界中的最大曲线.但是它的形状不够平滑,无法工作.

counter = np.zeros((lenX,lenY),dtype=int)
for i in range(lenX):
    for j in range(lenY):
        if img[i,j]==1:
            counter[i,j] = count_white(img,i,j,lenX,lenY)

print(counter)
tpath = os.getcwd()+"/test.jpg"
print(cv2.imwrite(tpath, Image))
print("saved at : ",tpath)
np.savetxt("test.csv", counter, delimiter=",")

def count_white(img,x,y,lenX,lenY):
    X = [x-1,x,x+1,x+1,x+1,x,x-1,x-1]
    Y = [y-1,y-1,y-1,y,y+1,y+1,y+1,y]
    count = 0
    for i in range(len(X)):
        if X[i] < lenX and Y[i] < lenY:
            if img[X[i],Y[i]] == 0:
                count=count+1
    return count

有任何建议,参考或想法吗？

我试图通过传递我创建的低通滤波器来使用 fft 模糊图像，但输出结果是一个充满灰色噪声的图像。我只是想遵循这里的基础知识，但我的实现似乎有问题：  

from scipy import fftpack
import numpy as np
import imageio
from PIL import Image, ImageDraw

image1 = imageio.imread('image.jpg',as_gray=True)

#convert image to numpy array
image1_np=np.array(image)

#fft of image
fft1 = fftpack.fftshift(fftpack.fft2(image1_np))

#Create a low pass filter image
x,y = image1_np.shape[0],image1_np.shape[1]
#size of circle
e_x,e_y=50,50
#create a box 
bbox=((x/2)-(e_x/2),(y/2)-(e_y/2),(x/2)+(e_x/2),(y/2)+(e_y/2))

low_pass=Image.new("L",(image1_np.shape[0],image1_np.shape[1]),color=0)

draw1=ImageDraw.Draw(low_pass)
draw1.ellipse(bbox, fill=255)

low_pass_np=np.array(low_pass)
low_pass_fft=fftpack.fftshift(fftpack.fft2(low_pass))

#multiply both the images
filtered=np.multiply(fft1,low_pass_fft)

#inverse fft
ifft2 = abs(fftpack.ifft2(fftpack.ifftshift(filtered)))

#save the image
imageio.imsave('fft-then-ifft.png', ifft2.astype(np .uint8))

我想使用 Conv1D 将扩张卷积网络制作为顺序数据集。
所以我尝试使用 Boston 数据集进行 Conv1D。

from tensorflow.python.keras.layers import Conv1D, MaxPooling2D
from tensorflow.python.keras.layers import Activation, Dropout, Flatten, Input, Dense
from tensorflow.python.keras.models import Model
from sklearn.datasets import load_boston
from sklearn.model_selection import train_test_split

boston = load_boston()
df = pd.DataFrame(boston.data,columns=boston.feature_names)
df['target']= boston.target
y = df['target']
X = df.drop(columns=['target'])
X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=2)

def NN_model(data= X_train):
  #data = np.expand_dims(data, axis=2)
  inputs = Input(((data.shape)))
  x = Conv1D(2,2,dilation_rate=2,padding="same", activation="relu")(inputs)
  x = Flatten()(x)
  x = Dense(2048, activation="relu")(x)
  predictions = Dense(1)(x) …