theano

    0热度

    1回答

    我正在寻找一种高效和简单的方法来适应我目前的Theano模型,因此可以进行预测缩放。我还在寻找一种轻松培训大量不同参数模型的方法。 似乎有两种主要的方式来做到这一点。第一个是使用Spark,第二个是使用Docker和Kubernetes。 我对两者的经验相当有限,所以我不知道是否有正确的方法来解决我的问题,以及每种解决方案之间的差异。

    -1热度

    1回答

    如标题所述,构建我的包的文档在本地工作良好,但不在服务器上。 我得到以下错误: Traceback (most recent call last): File "/home/docs/checkouts/readthedocs.org/user_builds/crbm/envs/latest/lib/python2.7/site-packages/sphinx/cmdline.py", line

    1热度

    1回答

    我正在将项目从Keras 1.x迁移到2.x. 在代码中,在1.x中正常运行的keras.backend.conv2d操作现在在2.x中崩溃。 convs = K.conv2d(a, b, padding='valid', data_format='channels_first') 输入张量形状a和b均为(1024, 4, 1, 1)和输出张量形状1.x中是(1024, 1024, 1, 1)

    0热度

    1回答

    我有我想在TensorFlow重现以下简单Theano代码: import theano as th import theano.tensor as T import numpy as np x = T.vector() c = th.shared(np.array([1.0, 2.0])) y1 = x + c c.set_value(np.array([10.0, 20.0]))

    0热度

    1回答

    我在添加对binary_crossentropy的惩罚时遇到了问题。当预定义的错误组的平均值违反某个阈值时,这个想法是惩罚损失函数。 以下是帮助函数,它用掩码表示组和已计算的crossentropy。它会简单地返回违反某个阈值的次数来惩罚调用它的实际损失函数。 def penalty(groups_mask, binary_crossentropy): errors = binary_c

    0热度

    1回答

    重新安装anaconda后,我使用此命令行得到此信息。这是为什么? pip install --upgrade --no-deps git+git://github.com/Theano/Theano.git (C:\Users\AM\Anaconda3) C:\Users\AM\Documents>pip install --upgrade --no- deps git+git://git

    1热度

    1回答

    我有一个前馈DNN模型,有几个图层来执行二进制分类。输出层是1 sigmoid单位和损失函数binary_crossentropy。作为预测,我期望一个带有零/一个的矢量。为此,我围绕预测并对他们进行打击。然后我使用sklearn分数函数来计算(f1score,rocauc,precision,recall,mcc)。问题是我得到的预测向量与我假装的单热编码不匹配。尽管如果我使用一个mse损失函数

    0热度

    1回答

    我正在使用MNIST数据集构建用于手写数字识别的ConvNet。我的代码是使用Theano后端在Keras中编写的。 我想训练我的ConvNet,因此它可以识别类的一个子集(例如,仅数字'1'和'2')并输出任何其他类作为通用'未知'类。我知道这可以在Theano上完成,因为它在"Distributed Neural Networks for Internet of Things: The Big

    1热度

    1回答

    我有一个使用tensorflow函数的函数。我需要Theano的这个功能,因为在平台上我想使用这个代码只有Theano安装而不是tensorflow。我主要和Keras一起工作,所以tensorflow对我来说很神秘。 功能如下: class WeightedBinaryCrossEntropy(object): def __init__(self, pos_ratio):

    0热度

    4回答

    我使用Theano和Keras和使用下面的命令,试图从.h5文件加载VGG网的权重。 VGG网模型的定义: def VGG_16(weights_path=None): model = Sequential() model.add(ZeroPadding2D((1,1),input_shape=(3,224,224))) model.add(Convolution2D