问题标签 [keras-2]

我正在尝试使用基于 Keras 2 incepctionV3 的训练模型来预测图像以进行测试。我的原始模型运行良好，然后我尝试创建具有指定 input_shape (299,299,3) 的模型

训练过程看起来不错，但是当我尝试使用它来预测图像时，它会导致此错误。

ValueError：检查时出错：预期 input_1 的形状为 (None, 299, 299, 3) 但数组的形状为 (1, 229, 229, 3)

这是打印出来的

(1,299,299,3) 表示 299 X 299 中的 1 张图像，具有 3 个通道。在这种情况下，我的训练模型 (None,299,299,3) 的预期输入是什么意思？如何从 (299,299,3) 创建 (None,299,299,3)？

嗨，我有一个基于此https://github.com/igormq/asr-study/tree/keras-2的模型，该模型几乎可以保存但无法加载（完整模式或 json/weights ) 由于没有正确定义损失这一事实。

这将编译并运行（注意它使用了没有很好记录的 add_loss 函数）。甚至可以说服它通过一些工作来保存 - 正如这篇文章所暗示的那样 ( https://github.com/fchollet/keras/issues/5179 )，您可以通过强制图表完成来保存它。我通过制作一个虚拟的 lambda 损失函数来引入不完全属于图表的输入来做到这一点，现在这似乎可行。

我们可以像这样将它添加到模型中：

现在尝试加载时的损失表示它不能，因为它缺少损失函数（我猜这是因为尽管使用了 add_loss，但它被设置为 None 。

任何帮助在这里表示赞赏

我已经尝试了很多次并阅读了与我类似的问题的答案，但仍然没有解决。

检查输入时出错：预期 acc_input 有 4 个维度，但得到了形状为 (200, 3, 1) 的数组

我的网络的第一层是输入层

输入是加速度和陀螺仪数据。200指200组数据，3指加速度x,y,z的测量值。我把加速度数据和陀螺数据reshape成(200 * 3 * 1)

输入是三维数据，给定的数据输入是三维的，为什么会有四维的要求？如何修改它？

这是我创建的模型

model.fit 中的 acc gyro 为 (200 * 3)，Input 层中的形状为 (200 * 3)。为什么会出现这样的问题？检查输入时出错：预期 acc_input 有 3 个维度，但得到了形状为 (200, 3) 的数组。这是我的模型的可视化。

这是我的代码：</p>

model.fit 中的 acc gyro 为 (200 * 3)，Input 层中的形状为 (200 * 3)。为什么会出现这样的问题？检查输入时出错：预期 acc_input 有 3 个维度，但得到了形状为 (200, 3) 的数组

我想为不同的尺寸使用不同的填充。就我而言，我使用的是 3dconvnet。原因是我想控制不同维度的感受野和轴挤压如何发生。例如，对于几层，我希望填充等效于 ("same","same","same") ，然后对于其他一些层可能具有 ("same","valid","same") 。

我的猜测是做 #maually calculate the paddings ZeroPadding3D(...) Conv3D(padding='valid',...)

似乎已经有几个线程/问题，但在我看来这并没有解决：

如何在 keras 模型中使用 tensorflow 度量函数？

https://github.com/fchollet/keras/issues/6050

https://github.com/fchollet/keras/issues/3230

人们似乎要么遇到变量初始化问题，要么遇到指标为 0 的问题。

我需要计算不同的细分指标，并希望在我的 Keras 模型中包含tf.metric.mean_iou 。这是迄今为止我能想到的最好的：

这段代码不会抛出任何错误，但 mean_iou 总是返回 0。我相信这是因为up_opt没有被评估。我已经看到，在 TF 1.3 之前，人们建议使用一些类似于control_flow_ops.with_dependencies([up_opt], score)的东西来实现这一点。这在 TF 1.3 中似乎不再可能了。

总之，我如何评估 Keras 2.0.6 中的 TF 1.3 指标？这似乎是一个非常重要的功能。

我试图用 Keras 实现加权二元交叉熵，但我不确定代码是否正确。训练输出似乎有点混乱。几个 epoch 之后，我的准确率只有 ~0.15。我认为那太少了（即使是随机猜测）。

一般来说，输出中大约有 11% 的 1 和 89% 的 0，因此权重为 w_zero=0.89 和 w_one=0.11。

我的代码：

也许有人看到出了什么问题？

谢谢

我正在使用 Conv2D 训练一个模型，并开始突然获得 1.0 的最高 k分类准确度，但分类准确度非常低（接近 0.006）。

我有 108 个不同的类别，所以我唯一能想到的就是它会以某种方式卡在一个类别上，即使数据集非常平衡。

所以我的问题很笼统：什么会导致 Keras 中的 top_k_categorical_accuracy 高但 categorical_accuracy 低？

我的问题很简单，传递给 model.fit 的 Sequential 模型中的验证数据是什么？

而且，它是否会影响模型的训练方式（例如，通常使用验证集来选择模型中的超参数，但我认为这不会发生在这里）？

我说的是可以像这样传递的验证集：

我调查了一下，我看到了keras.models.Sequential.fit调用，它创建了和（可以从回调中访问）这样的keras.models.training.fit变量。还调用，将验证数据添加到，并且还调用，它将在模型的 上批量循环验证数据。此函数的结果用于填充日志的值，这些值是可从回调访问的值。val_accval_losskeras.models.training.fitkeras.models.training._fit_loopcallbacks.validation_datakeras.models.training._test_loopself.test_function

看到这一切后，我觉得传递给的验证集model.fit在训练期间并没有用来验证任何东西，它唯一的用途是获得关于训练模型在每个 epoch 对于一个完全独立的集合的表现的反馈。因此，使用相同的验证和测试集是没问题的，对吧？

除了从回调中读取之外，任何人都可以确认 model.fit 中的验证集是否还有其他目标？

我想在 Keras 中使用 InceptionV3 使用瓶颈进行迁移学习。我使用了来自 https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html的一些关于创建、加载和使用瓶颈的技巧

我的问题是我不知道如何使用瓶颈（numpy 数组）作为具有新顶层的 InceptionV3 的输入。

我收到以下错误：

ValueError：检查输入时出错：预期 input_3 的形状为 (None, None, None, 3) 但得到的数组的形状为 (248, 8, 8, 2048)

248 是指本例中的图像总数。

我知道这条线是错误的，但我不知道如何纠正它：

模型=模型（输入=base_model.input，输出=预测）

将瓶颈输入 InceptionV3 的正确方法是什么？

创建 InceptionV3 瓶颈：

加载瓶颈：

开始训练：

任何帮助，将不胜感激！