Cada vez que pruebo los modelos LSTM en Keras, parece que el modelo es imposible de entrenar debido al largo tiempo de entrenamiento. Por ejemplo, un modelo como este toma 80 segundos por paso para entrenar .: def create_model(self): inputs = {} inputs[‘input’] = [] lstm = [] placeholder = {} for tf, v in […]
Cuando hago una función de pérdida personalizada como sigue: (igual que binary_crossentropy) def custom_loss(y_true, y_pred): ce = K.mean(K.binary_crossentropy(y_true, y_pred), axis=-1) return ce Y binary_crossentropy en keras / keras / loss.py es: def binary_crossentropy(y_true, y_pred): return K.mean(K.binary_crossentropy(y_true, y_pred), axis=-1) Cuando corro model.compile(loss=’binary_crossentropy’, optimizer=optimizer, metrics=[‘accuracy’]) La salida es correcta. ETA: 6:20 – loss: 0.3697 – acc: 0.8343 […]
Estoy usando Keras con un backend TensorFlow. Estoy usando ImageDataGenerator con el argumento validation_split para dividir mis datos en conjunto de trenes y conjunto de validación. Como tal, uso flow_from_directory con el subconjunto configurado en “training” y “testing” de la siguiente manera: total_gen = ImageDataGenerator(validation_split=0.3) train_gen = data_generator.flow_from_directory(my_dir, target_size=(input_size, input_size), shuffle=False, seed=13, class_mode=’categorical’, batch_size=BATCH_SIZE, subset=”training”) […]
Digamos que tengo una neural network simple con una capa de entrada y una única capa de convolución progtwigda en tensorflow: # Input Layer input_layer = tf.reshape(features[“x”], [-1, 28, 28, 1]) # Convolutional Layer #1 conv1 = tf.layers.conv2d( inputs=input_layer, filters=32, kernel_size=[5, 5], padding=”same”, activation=tf.nn.relu) Dejo fuera cualquier otra parte de las definiciones de red para […]
Me gustaría gestionar múltiples modelos de Keras en múltiples sesiones. Mi aplicación está construida de tal manera que los modelos pueden estar en vivo al mismo tiempo, además de crearlos, guardarlos y cargarlos. ¿Cuál es la forma correcta de manejar esta situación? Actualmente, un modelo está representado por una instancia de una clase contenedora. Esto […]
Encontré el siguiente problema al intentar exportar un modelo de Keras como un Estimador de TensorFlow con el propósito de servir el modelo. Dado que el mismo problema también surgió en una respuesta a esta pregunta , ilustraré lo que sucede en un ejemplo de juguete y proporcionaré mi solución alternativa para fines de documentación. […]
Estoy girando un Python 3 API w / gunicorn que usa keras para calcular vectores para una imagen, bastante sencillo. ¿Cómo puedo restablecer los datos almacenados en la memoria para cada solicitud? Poco a poco, con el tiempo, las solicitudes aumentan en el tiempo que lleva responder. He ejecutado un perfilador y es específicamente esta […]
Estoy tratando de crear una función de pérdida en keras (Tensorflow Backend) pero estoy un poco atascado para verificar el interior de la función de pérdida personalizada. De hecho, la impresión aparece en la consola solo cuando compilo el modelo, después de eso no hay impresión. (Solo estoy probando una función personalizada muy simple, crearé […]
Recibo un error al intentar aplicar el código a continuación en el conjunto de datos de muestra MNIST para entrenamiento y pruebas. Por favor ayuda El siguiente es mi código: import pandas import numpy import numpy from keras.datasets import mnist from keras.models import Sequential from keras.layers import Dense from keras.layers import Dropout from keras.utils import […]
¿Es posible tener dos flow_from_directory en un fit_generator? Por ejemplo train_generator_1 = train_datagen.flow_from_directory( train_data_dir_1, target_size=(img_height, img_width), batch_size=batch_size, class_mode=’binary’) train_generator_2 = train_datagen.flow_from_directory( train_data_dir_2, target_size=(img_height, img_width), batch_size=batch_size, class_mode=’binary’) custom_vgg_model.fit_generator( [train_generator_1, train_generator_2], steps_per_epoch=nb_train_samples, epochs=epochs, validation_data=validation_generator, validation_steps=nb_validation_samples, callbacks=[checkpointer, csv_logger])