问题标签 [deep-learning]

我正在尝试使用深度信念网络进行人脸识别。但我是这方面的初学者，我已经阅读了互联网上的研究论文和文档，并且了解了二进制图像的基本概念。但是当我坐下来写代码时，我仍然觉得很困难，因为从程序员的角度来看，没有任何东西可以解释，你发现的只是能量函数和所有这些东西。有人可以帮我为灰度人脸图像设计（代码）隐藏层吗？（更具体地说，我的隐藏层应该是一组不同的过滤器或其他东西......）

这是来自http://caffe.berkeleyvision.org/tutorial/net_layer_blob.html的示例

我有点迷路了。我应该从这个例子中推断出什么？

我现在很认真地坚持了很多年。我需要一些帮助。

我在 GPU 上运行一个 theano conv 网络。网络具有这样的损失函数

def mse(x, t): 返回 T.mean((x - t) ** 2)

这里x是整流线性单元的预测值，t是期望值。

现在，对于一个特定的学习问题，我正在尝试修改函数，以便我想对 x 的值设定阈值。所以本质上是这样简单的

x[x>ts] = ts

但我真的很挣扎。我尝试了很多东西

ts = 0.91 Y = T.vector() #x_update = (x, T.set_subtensor(x[(x > ts).eval()], Y)) #f = function([Y], updates=[x_update]) #v=np.empty(len((x > ts).eval())) #v.fill(ts) #f(v) #x.shape.eval() x_arr = x.flatten() print type(x_arr) print type(t) print type(x) #print T.shape(x_arr).eval() #print x.shape.eval() #print x_arr.shape.eval() #print t.shape.eval() #print x.eval() #print x_arr.get_value() #x_newarr = x_arr.eval() #x_newarr[x_newarr>ts] = ts #x = T.shared(x_newarr) return T.mean((x - t) ** 2)

除了三个打印件，所有打印件<class 'theano.tensor.var.TensorVariable' >都给我错误。所以我对如何做这个简单的事情束手无策。是因为这些东西在 GPU 上吗？

我确实在本地 python 提示符下测试了代码，方法是构造一个 numpy 数组并将其转换为张量共享变量。上面不同的东西有效。但我意识到类型是 theano.tensor.sharedvar.TensorSharedVariable 而不是 theano.tensor.var.TensorVariable。

如果有人在这里帮我一把，我将不胜感激。

问候

大家，我是caffe的新手。目前，我尝试使用从模型动物园下载的经过训练的 GoogleNet 对一些图像进行分类。然而，网络的输出似乎是一个向量而不是真正的标签（如狗、猫）。我在哪里可以找到经过训练的模型（如 googleNet 的输出）与其真实类标签之间的标签映射？谢谢。

我刚开始研究“deepnet”包： http ://cran.r-project.org/web/packages/deepnet/index.html

它是关于“深度学习”的，所以关于多层神经网络的使用。我已经开始使用包中提供的 train() 函数，但我真的不明白如何在神经网络中添加更多隐藏层。标准设置包括 2 个隐藏层，但我想添加更多，比如 5 个。你们中的一些人有什么想法吗？

我正在使用 sae.dnn.train() 函数，但我无法理解哪个参数控制隐藏层的数量。这是示例代码：

哪个参数设置了神经网络中的隐藏层数？如何添加更多隐藏层？

根据 kaggle 面部关键点竞赛，我从输入图像中提取 30 个面部关键点 (x,y)。

我如何设置 caffe 来运行回归并产生 30 维输出？

我如何相应地设置咖啡？我正在使用 EUCLIDEAN_LOSS（平方和）来获得回归输出。这是一个使用 caffe 的简单逻辑回归模型，但它不起作用。看起来准确度层无法处理多标签输出。

这是图层文件：

I want to configure a deep autoencoder in order to reduce the dimensionality of my input data as described in this paper. The layer sizes should be 2000-500-250-125-2-125-250-500-2000 and I want to be able to pull out the activation of the layer in the middle (as described in the paper, I want to use the values as coordinates). The input data consists of binary vectors with a length of 2000 each. Now I'm searching for a working example which I can use as a starting point. I already tried DeepLearning4J but wasn't able to build a satisfying autoencoder. I would be thankful for any suggestions.

如何在 Caffe中重塑形状N x C x H x W的斑点？N x 1 x (C*H) x W

我想制作一个卷积层，其权重在通道之间是相同的。

我想出的一种方法是将形状的底部斑点重塑N x C x H x W为N x 1 x (C*H) x W并在其上放置一个卷积层。但我只是不知道如何重塑一个斑点。

请帮帮我，谢谢。

我有存储在 HDF5 文件中的灰度格式的 96x96 像素图像。我正在尝试使用 caffe 进行多输出回归，但是卷积不起作用。这里到底有什么问题？为什么卷积不起作用？

我的prototxt层文件是这样的

据我所知，CNN 依赖于滑动窗口技术，只能指示给定边界框中的任何地方是否存在某种模式。真的吗？

如果没有任何此类技术的帮助，可以使用 CNN 实现本地化吗？