В основном все вышеперечисленное: избавьтесь от сути, предоставьте MCVE, который доказуемо работает (возможно, только для 1D или 2D, и настолько прост, насколько это возможно, у вас слишком сложно), предоставьте входные и выходные данные и сфокусируйтесь на одном вопросе.

аюсь реализовать идею, которую я предложилВот [https://math.stackexchange.com/questions/2877478/cauchy-product-of-multivariate-formal-power-series] , заПродукт Коши [https://en.wikipedia.org/wiki/Cauchy_product]многомерных конечных степенных ...

Можете ли вы сопоставить выходные метки с символами, чтобы было легче увидеть, что выводит NN. Может быть, компоненты NN подключены неправильно. Я не знаю вашу спецификацию архитектуры json-типа, которую вы используете. Однако важно правильно подключить компоненты, например, в моей системе HTR RNN выводит тензор формы BxTxC, в то время как CTC нуждается в TxBxC в качестве ввода. Поэтому я должен перенести тензор между RNN и CTC.

нирую модель распознавания почерка этой архитектуры: { "network": [ { "layer_type": "l2_normalize" }, { "layer_type": "conv2d", "num_filters": 16, "kernel_size": 5, "stride": 1, "padding": "same" }, { "layer_type": "max_pool2d", "pool_size": 2, ...

На этот раз я опустил «Специальный конв». Для более широкой области "просмотр в режиме просмотра" превосходит БПФ, и на последних участках видно, что разница приближается к 100%. Вероятно, потому что с ростом шага подход FFT будет иметь больше потраченных впустую чисел, поэтому «просмотр шага» получает больше преимуществ для маленьких и больших ядер.

ытался реализовать пошаговую свертку двумерного массива, используя цикл for, т.е. arr = np.array([[2,3,7,4,6,2,9], [6,6,9,8,7,4,3], [3,4,8,3,8,9,7], [7,8,3,6,6,3,4], [4,2,1,8,3,4,6], [3,2,4,1,9,8,3], [0,1,3,9,2,1,4]]) arr2 = np.array([[3,4,4], ...

 где-то "после LSTM и до последнего плотного".

ичок вDeep-Learning так что я читаюГлубокое обучение с Керасом Антонио Гулли [https://rads.stackoverflow.com/amzn/click/com/1787128423]и многому учусь. Я хочу начать использовать некоторые концепции. Я хочу попытаться реализовать нейронную сеть с ...

 для более подробной информации об этом.

ю, что означает «шаг», когда это просто целое число (на каком этапе вы должны применить фильтр к изображению). Но что насчет(1, 1) или даже более размерный шаг?

https://petewarden.com/2015/04/20/why-gemm-is-at-the-heart-of-deep-learning/

аюсь реализовать сверточную нейронную сеть и не понимаю, почему использование im2col более эффективно. Он в основном хранит входные данные, которые нужно умножить на фильтр, в отдельных столбцах. Но почему бы не использовать циклы напрямую для ...

Однако для шага = 3 нужно просто добавить один столбец, и он делает это в конце (справа и снизу). Если необходимо добавить 5 столбцов, добавится 2 в начале (слева вверху) и 3 в конце (справа внизу)

лько я понимаю отtf.nn.conv2d doc [https://www.tensorflow.org/api_docs/python/tf/nn/conv2d]для одной и той же свертки (независимо от шага) Первое точечное произведение должно быть сосредоточено вокруг (0,0), хотя, как вы можете видеть ниже, когда ...

Решение состоит в том, чтобы добавить вложенную область в область действия графика по умолчанию, когда вы установите переменную_scope.reuse = True, тогда область действия по умолчанию по-прежнему False, и Adam.minimize будет работать.

Итак, вы должны добавить новую ось в качестве

я пытаюсь провести классификацию между экзопланетами и не экзопланетами, используя полученные данные Кеплера.Вот, Тип данных - это временной ряд с измерением...

это вызывает ошибку «Вход 0 несовместим со слоем conv2d_1: ожидаемый ndim = 4, найденный ndim = 5»

чную создаю свой набор данных из числа изображений размером 384x286 ч / б.Я загружаю изображение так: