Me gustaría hacer algo similar al documento de Redes Totalmente Convolucionales ( https://people.eecs.berkeley.edu/~jonlong/long_shelhamer_fcn.pdf ) usando Keras. Tengo una red que termina aplanando los mapas de características y los ejecuta a través de varias capas densas. Me gustaría cargar los pesos de una red como esta en una en la que las capas densas se reemplacen […]
Estoy intentando fusionar 2 modelos secuenciales en keras. Aquí está el código: model1 = Sequential(layers=[ # input layers and convolutional layers Conv1D(128, kernel_size=12, strides=4, padding=’valid’, activation=’relu’, input_shape=input_shape), MaxPooling1D(pool_size=6), Conv1D(256, kernel_size=12, strides=4, padding=’valid’, activation=’relu’), MaxPooling1D(pool_size=6), Dropout(.5), ]) model2 = Sequential(layers=[ # input layers and convolutional layers Conv1D(128, kernel_size=20, strides=5, padding=’valid’, activation=’relu’, input_shape=input_shape), MaxPooling1D(pool_size=5), Conv1D(256, kernel_size=20, strides=5, […]
Estoy tratando de codificar y aprender diferentes modelos de redes neuronales. Estoy teniendo muchas complicaciones con la dimensionalidad de entrada. Estoy buscando un tutorial que muestre las diferencias en las capas y cómo configurar entradas y salidas para cada capa.
Actualmente utilizo el siguiente código: callbacks = [ EarlyStopping(monitor=’val_loss’, patience=2, verbose=0), ModelCheckpoint(kfold_weights_path, monitor=’val_loss’, save_best_only=True, verbose=0), ] model.fit(X_train.astype(‘float32’), Y_train, batch_size=batch_size, nb_epoch=nb_epoch, shuffle=True, verbose=1, validation_data=(X_valid, Y_valid), callbacks=callbacks) Le dice a Keras que deje de entrenar cuando la pérdida no mejoró en 2 épocas. Pero quiero dejar de entrenar después de que la pérdida se hizo más pequeña […]
Estoy tratando de entender el argumento de zancadas en tf.nn.avg_pool, tf.nn.max_pool, tf.nn.conv2d. La documentación dice repetidamente zancadas: una lista de entradas que tiene una longitud> = 4. La zancada de la ventana deslizante para cada dimensión del tensor de entrada. Mis preguntas son: ¿Qué representan cada uno de los 4 + enteros? ¿Por qué deben […]
Soy nuevo en TensorFlow. Estoy buscando la ayuda en el reconocimiento de imágenes donde puedo entrenar mi propio conjunto de datos de imágenes . ¿Hay algún ejemplo para entrenar el nuevo conjunto de datos?
Estoy intentando crear una CNN profunda que pueda clasificar cada píxel individual en una imagen. Estoy replicando la architecture de la imagen de abajo tomada de este documento. En el documento se menciona que las deconvolciones se utilizan para que cualquier tamaño de entrada sea posible. Esto se puede ver en la imagen de abajo. […]
TL.DR. ¿Existe una implementación amigable tridimensional de theano.tensor.nnet.neighbours.images2neibs ? Me gustaría realizar una clasificación voxel de un volumen (NxNxN) usando una neural network que toma una imagen nxnxn, donde N> n. Para clasificar cada vóxel en el volumen, tengo que iterar a través de cada vóxel. Para cada iteración, obtengo y paso los voxels del […]
Tengo 2 conjuntos de datos de parches de imagen, es decir, conjuntos de entrenamiento y pruebas. Ambos de estos han sido escritos en archivos LMDB. Estoy ejecutando una neural network convolucional en estos datos usando Caffe. El problema es que los datos almacenados en el disco duro ocupan una cantidad de espacio considerable y obstaculizan […]
Actualmente estoy desarrollando una herramienta de clasificación de texto usando Keras. Funciona (funciona bien y conseguí una precisión de validación de 98.7) pero no puedo comprender cómo funciona exactamente la capa de convolución 1D con datos de texto. ¿Qué hiper-parámetros debo usar? Tengo las siguientes oraciones (datos de entrada): Máximo de palabras en la oración: […]