Estoy tratando de hacer diferentes tipos de aumento de datos (de imagen) para entrenar mi neural network. Sé que tf.image ofrece algunas funciones de aumento, pero son demasiado simples; por ejemplo, solo puedo rotar la imagen 90 grados, en lugar de cualquier grado. También sé que tf.keras.preprocessing.image ofrece rotación aleatoria, corte aleatorio, desplazamiento aleatorio y […]
Tengo un problema similar a esta pregunta . Estoy tratando de idear una función de pérdida en keras dado como: def depth_loss_func(lr): def loss(actual_depth,pred_depth): actual_shape = actual_depth.get_shape().as_list() dim = np.prod(actual_shape[1:]) actual_vec = K.reshape(actual_depth,[-1,dim]) pred_vec = K.reshape(pred_depth,[-1,dim]) di = K.log(pred_vec)-K.log(actual_vec) di_mean = K.mean(di) sq_mean = K.mean(K.square(di)) return (sq_mean – (lr*di_mean*di_mean)) return loss Basado en la respuesta […]
Estoy encontrando un modelo muy extraño con keras usando ImageDataGenerator, fit_generator, y eval_generator. Estoy creando el modelo así: classes = num_classes = len(classes) pretrained_model = Sequential() pretrained_model.add(ResNet50(include_top=False, weights=’imagenet’, pooling=’avg’)) pretrained_model.add(Dense(num_classes, activation=’softmax’)) pretrained_model.layers[0].trainable = False pretrained_model.compile( optimizer=’adam’, loss=’categorical_crossentropy’, metrics=[‘accuracy’] ) Y lo estoy entrenando así: idg_final = ImageDataGenerator( data_format=’channels_last’, rescale=1./255, width_shift_range = 0.2, height_shift_range = 0.2, […]
Estoy tratando de construir un RNN básico, pero recibo errores al usar la red después del entrenamiento. Tengo architecture de red en una inference función def inference(inp): with tf.name_scope(“inference”): layer = SimpleRNN(1, activation=’sigmoid’, return_sequences=False)(inp) layer = Dense(1)(layer) return layer pero cada vez que lo llamo, se crea otro conjunto de variables a pesar de usar […]
Así que tengo un modelo de Keras. Quiero tomar el gradiente del modelo wrt a sus entradas. Esto es lo que hago import tensorflow as tf from keras.models import Sequential from keras.layers import Dense from keras import backend as K num_features = 5 model = Sequential() model.add(Dense(60, input_shape=(num_features,), activation=’relu’)) model.add(Dense(50, activation=’relu’)) model.add(Dense(1, activation=’softmax’)) model.compile(optimizer=’adam’, loss=’binary_crossentropy’) […]
Estoy trabajando en un proyecto de python en el que necesito crear varios modelos de Keras para cada conjunto de datos. Aquí cuando ejecuto un modelo de Keras, el progtwig utiliza el 10% de mi GPU (GTX 1050ti). ¿Mi pregunta es cómo puedo usar mi gpu al 100% para reducir el tiempo? ¿O existe la […]
He creado una capa Keras Conv2D personalizada de la siguiente manera: class CustConv2D(Conv2D): def __init__(self, filters, kernel_size, kernelB=None, activation=None, **kwargs): self.rank = 2 self.num_filters = filters self.kernel_size = conv_utils.normalize_tuple(kernel_size, self.rank, ‘kernel_size’) self.kernelB = kernelB self.activation = activations.get(activation) super(CustConv2D, self).__init__(self.num_filters, self.kernel_size, **kwargs) def build(self, input_shape): if K.image_data_format() == ‘channels_first’: channel_axis = 1 else: channel_axis = -1 […]
Estoy usando Python 3.5 64 bit, Cuda 9.2, TensorFlow 1.11, Keras 2.2.4 Estoy recibiendo este error: AttributeError: el módulo ‘_pywrap_tensorflow_internal’ no tiene atributo ‘TFE_DEVICE_PLACEMENT_EXPLICIT_swigconstant’ Desinstalar y reinstalar TensorFlow detuvo el mensaje para import tensorflow , pero el problema persiste para import keras . He visto que dumpbin.exe ha sido útil para algunas personas, pero no […]
es posible establecer como matriz de filtro param con filtros propios en lugar de la cantidad de filtros en Conv2D filters = [[[1,0,0],[1,0,0],[1,0,0]], [[1,0,0],[0,1,0],[0,0,1]], [[0,1,0],[0,1,0],[0,1,0]], [[0,0,1],[0,0,1],[0,0,1]]] model = Sequential() model.add(Conv2D(filters, (3, 3), activation=’relu’, input_shape=(3, 1024, 1024), data_format=’channels_first’))
Hola, he estado tratando de implementar una función de pérdida en keras. Pero no pude encontrar una manera de pasar más de 2 argumentos distintos a la pérdida (y_true, y_predict), así que pensé en usar una capa lambda como la última capa y hacer mi cálculo en la capa lambda y simplemente devolver el valor […]