«deep-learning» etiketlenmiş sorular

Derin Öğrenme, amacı "derin" olan (birçok katmandan oluşan) özel sinir ağı mimarilerini kullanarak karmaşık işlevleri öğrenmek olan bir makine öğrenimi alanıdır. Bu etiket, derin öğrenme mimarilerinin uygulanmasıyla ilgili sorular için kullanılmalıdır. Genel makine öğrenimi soruları "makine öğrenimi" olarak etiketlenmelidir. İlgili yazılım kitaplığı için bir etiket eklemek (örneğin, "keras", "tensorflow", "pytorch", "fast.ai" vb.) Faydalıdır.


3
Keras LSTM'leri Anlama
LSTM'leri anlamamı uzlaştırmaya çalışıyorum ve bu yazıda Keras'ta uygulanan Christopher Olah tarafından işaret ettim . Keras öğreticisi için Jason Brownlee tarafından yazılan blogu takip ediyorum . Esas olarak kafam karıştı, Veri serilerinin yeniden şekillendirilmesi [samples, time steps, features]ve, Durum bilgisi olan LSTM'ler Aşağıda yapıştırılan koda referansla yukarıdaki iki soru üzerinde …

15
Tensorflow'un tf.nn.max_pool'unda 'SAME' ve 'VALID' dolgusu arasındaki fark nedir?
'AYNI' ve 'GEÇERLİ' dolgu arasındaki fark nedir tf.nn.max_poolait tensorflow? Bence 'VALID', maksimum havuz yaptığımızda kenarların dışında sıfır dolgu olmayacağı anlamına geliyor. Derin öğrenme için evrişim aritmetiği rehberine göre , havuz operatöründe dolgu olmayacağını, yani sadece 'VALID' kullanacağını söylüyor tensorflow. Ancak, maksimum havuzun 'AYNI' dolgusu tensorflownedir?

2
Keras giriş açıklaması: input_shape, unit, batch_size, dim, etc
Herhangi Keras tabakasının (For Layersınıfı), kutu birisi arasındaki farkı anlamak için nasıl açıklamak input_shape, units, dimvb? Örneğin doc units, bir katmanın çıktı şeklini belirtiyor diyor . Aşağıdaki sinir ağı görüntüsünde hidden layer14 birim vardır. Bu doğrudan nesnenin unitsniteliğine Layermi çevrilir ? Yoksa unitsKeras'ta gizli katmandaki her bir ağırlığın şekli birim …



5
PyTorch'da eğitimli bir modeli kaydetmenin en iyi yolu?
PyTorch'ta eğitimli bir modeli kurtarmanın alternatif yollarını arıyordum. Şimdiye kadar iki alternatif buldum. torch.save () bir model ve kaydetmek için torch.load () bir model yüklemek için. model.state_dict () eğitimli bir model ve kaydetmek için model.load_state_dict () kaydedilmiş modeli yükleme. Yaklaşım 1 üzerinde yaklaşım 2'nin önerildiği bu tartışmaya rastladım . Benim …

10
Keras, her katmanın çıktısı nasıl alınır?
CNN ile bir ikili sınıflandırma modeli eğittim ve işte kodum model = Sequential() model.add(Convolution2D(nb_filters, kernel_size[0], kernel_size[1], border_mode='valid', input_shape=input_shape)) model.add(Activation('relu')) model.add(Convolution2D(nb_filters, kernel_size[0], kernel_size[1])) model.add(Activation('relu')) model.add(MaxPooling2D(pool_size=pool_size)) # (16, 16, 32) model.add(Convolution2D(nb_filters*2, kernel_size[0], kernel_size[1])) model.add(Activation('relu')) model.add(Convolution2D(nb_filters*2, kernel_size[0], kernel_size[1])) model.add(Activation('relu')) model.add(MaxPooling2D(pool_size=pool_size)) # (8, 8, 64) = (2048) model.add(Flatten()) model.add(Dense(1024)) model.add(Activation('relu')) model.add(Dropout(0.5)) model.add(Dense(2)) # define …

11
Neden binary_crossentropy ve categorical_crossentropy aynı problem için farklı performanslar veriyor?
Metni konuya göre sınıflandırmak için bir CNN eğitmeye çalışıyorum. İkili çapraz entropi kullandığımda ~% 80 doğruluk elde ediyorum, kategorik çapraz entropi ile ~% 50 doğruluk elde ediyorum. Bunun neden olduğunu anlamıyorum. Bu çok sınıflı bir sorun, kategorik çapraz entropi kullanmak zorunda olduğum ve ikili çapraz entropi ile sonuçların anlamsız olduğu …

8
Tf.nn.embedding_lookup işlevi ne işe yarar?
tf.nn.embedding_lookup(params, ids, partition_strategy='mod', name=None) Bu işlevin görevini anlayamıyorum. Bir arama tablosu gibi mi? Her bir kimliğe (kimlikleriyle) karşılık gelen parametreleri döndürmek için hangi yöntem kullanılır? Örneğin, skip-grameğer kullanırsak tf.nn.embedding_lookup(embeddings, train_inputs), modelde , her biri train_inputiçin karşılık gelen gömme bulur?





5
Keras'ta "Flatten" in rolü nedir?
FlattenFonksiyonun Keras'taki rolünü anlamaya çalışıyorum . Aşağıda basit iki katmanlı bir ağ olan kodum var. 2 boyutlu şekil verilerini (3, 2) alır ve 1 boyutlu şekil verilerini (1, 4) çıkarır: model = Sequential() model.add(Dense(16, input_shape=(3, 2))) model.add(Activation('relu')) model.add(Flatten()) model.add(Dense(4)) model.compile(loss='mean_squared_error', optimizer='SGD') x = np.array([[[1, 2], [3, 4], [5, 6]]]) y …

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.