问题标签 [chainer]

尝试预测单个图像时，我收到警告“已将不超过一个样本的批次提供给 F.batch_normalization。F.batch_normalization 将始终为此类批次输出零张量”。

我正在使用带有 Chainer 的 Resnet50 模型（二进制分类输出），在训练时，训练集和测试集的准确率均 > 98%。但是当我试图预测单个图像时，准确率只有 50% 左右。

我想我必须批量预测图像（因为批量标准化）以避免警告并获得高精度，对吧？是否可以预测单个图像？

P/s：我在预测脚本中尝试了 chainer.using_config('train', False) 但它没有帮助。

我想将 Resnet50 预训练文件“ResNet-50-model.caffemodel”导入到chainer。这是链接器代码：

但我收到如下错误消息：

我不知道为什么会发生这个错误，它应该可以工作，请帮助我。谢谢你们。

我在我的链中使用三维卷积链接（带有 ConvolutionND）。

前向计算运行顺利（我检查了中间结果形状以确保我正确理解了 convolution_nd 参数的含义），但在后向计算过程中，aCuDNNError会随着 message 升高CUDNN_STATUS_NOT_SUPPORTED。

ConvolutionND的cover_all参数作为其默认值 False，所以从文档中我看不出错误的原因是什么。

这是我定义卷积层之一的方法：

调用堆栈是

那么在使用的时候有没有特别要注意的地方ConvolutionND呢？

例如，失败的代码是：

我有一个训练有素的 Chainer 模型，我想用它来执行预测。默认情况下，我可以在 CPU 上预测图像，但我想使用 GPU，我不知道该怎么做。这是我的代码的样子：

这在 CPU 上运行良好。我应该添加什么来预测 GPU ？我试过了：

• model.to_gpu(0)
• chainer.cuda.get_device_from_id(0).use()
• 将图像转换为 CuPy 数组image = cupy.array(image)

使用所有这些选项，我得到一个错误：

我在这里做错了什么？如何在 GPU 上执行预测？提前感谢您的帮助。

我正在尝试使用cupy解决稀疏特征的矩形系统。我知道内置函数sparse.linalg.lsqr(A, b)是为 square matrix 做的A。但是我喜欢解决一个矩形稀疏系统。这是我们可以解决平方系统的方法：

它给出了矩形系统的尺寸不匹配错误，我找不到与 eg 等效的内置稀疏方法cupy.tensorsolve()。

顺便说一句，有没有办法用 Tensorflow 做到这一点？谢谢你的帮助。我正在使用谷歌 Colaboratory 笔记本。

我正在尝试使用 Chainer (v4.0.0b1) 构建具有多 GPU 的 LSTM 网络。如以下代码所示。

但是，LSTM 链接变为“NoneType”。如以下调用错误。

我觉得这很奇怪，所以我显示了“self.lstm”。结果，显示“无”。例如，“Link”的 fc1 显示如下。

我发现“self.lstm = L.LSTM(1000, 1000).to_gpu(1)”中的“self.lstm”不能声明为链接。但是，我不知道为什么我不能声明它。

我使用Chainer 的 Docker作为执行环境。

谢谢你的回答。

如何从英语词嵌入生成非英语（法语、西班牙语、意大利语）词嵌入？

为非英语单词生成高质量词嵌入的最佳方法是什么？

单词可能包括 (samsung-galaxy-s9)

Here is an example in Pytorch:

And here in Tensorflow:

But Chainer's optimizers only can use on 'Link', how can I apply Optimizer on Variable in Chainer?

我编写了一个程序，使用“Chainer”来训练我的模型，数据来自另一个我使用 Python 的函数yield。我观察到的是每个时期数据变化的大小。

有人可以向我解释输入数据大小变化的原因吗？

有什么办法可以避免这种情况吗？

我在 Chainer 中加载一个预训练模型：

然后，我用一些数据进行前向传递并添加一个损失层：

acts = net.predict([image]).array loss=chainer.Variable(np.array(np.sum(np.square(acts-one_hot))))

现在的问题是，我怎样才能进行反向传递并获得不同层的渐变？

典型的向后方法不起作用。