Результаты поиска по запросу "deep-learning"
опасный выбор меры точности в тензорном потоке, потому что он может молча проглотить неправильные прогнозы и сообщить о них как о «правильных». Вместо этого вы всегда должны использовать это длинное, но надежное выражение:
давал детектор языка программирования, то есть классификатор фрагментов кода, как часть более крупного проекта. Моя базовая модель довольно проста: токенизировать входные данные и кодировать фрагменты какмешок из-слов или, в этом случае,мешок ...
Кросс-Энтропия-Loss
немного смущает потеря энтропии в PyTorch. Учитывая этот пример: import torch import torch.nn as nn from torch.autograd import Variable output = Variable(torch.FloatTensor([0,0,0,1])).view(1, -1) target = Variable(torch.LongTensor([3])) ...
Я думаю, что это должно решить вашу проблему.
аюсь создать Pix2Pix для своего проекта и получаю сообщение об ошибке: ValueError: Concatenate Для слоя требуются входные данные с соответствующими формами, за исключением оси concat. Получил формы ввода: [(Нет, 64, 64, 128), (Нет, 63, 63, ...
Спасибо за ваш отзыв. Я дважды проверю tfrecord (извлеките из него данные изображения). По вашему опыту, есть другой вопрос, есть ли другой подход к отладке производительности мешка (например, проверка весов в слоях классификации), помимо рассмотрения "полной потери" и "mAP"? Спасибо.
у использовать не только предварительно обученные веса экстрактора объектов, но также предварительно обученные веса классификатора / локализации слоев карты объектов для тонкой настройки моделей обнаружения объектов с тензорным потоком ...
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, ...
Вот
нициализировать весовые коэффициенты и смещения (например, при инициализации He или Xavier) в сети в PyTorch?
Итак, вот еще одно решение. Ключом для меня было использование «_layers» вместо «layer». Последний только, кажется, возвращает копию.
который у меня есть (который я не могу изменить) использует Resnet сmy_input_tensor в качестве input_tensor. model1 = keras.applications.resnet50.ResNet50(input_tensor=my_input_tensor, weights='imagenet')Расследованиеисходный ...
Мы можем ясно видеть, что помехи в форме крестовины удалены по сравнению с картинкой, прилагаемой к вопросу.
аю задачу сегментации изображения на основе глубоко сверточной нейронной сети. Структура сети изЭта бумага [https://arxiv.org/pdf/1706.04737.pdf]и структуру можно увидеть на картинке:FCN используется в сегментации ...
спасибо за Ваш ответ. Я должен признать, что это не очень хороший вопрос, и он будет закрыт. в любом случае, глубокая копия здесь на самом деле очень нужна, так как нам нужно наследовать settable после того, как color_content_masks перейдет в сеть.
if is_pooling then for k = 1, #color_codes do color_content_masks[k] = image.scale(color_content_masks[k], math.ceil(color_content_masks[k]:size(2)/2), math.ceil(color_content_masks[k]:size(1)/2)) color_style_masks[k] ...
как изменить набор данных, он уже содержит временные ряды для каждого пациента, и каждый пациент имеет несколько строк со своим временем
аюсь построить модель RNN / LSTM для двоичной классификации 0 или 1 образец моего набора данных (номер пациента, время в миллисекундах / сек., нормализация X Y и Z, эксцесс, перекос, наклон, крен и рыскание, ...