问题标签 [keras-2]

我在 Jupyter Notebook 中使用带有 Python 3 内核的 Keras 2.0.8。我的后端是 TensorFlow 1.3，我正在 Mac 上开发。

每当我使用 fit_generator() 时，我都会收到以下警告：

/Users/username/anaconda/envs/tensorflow/lib/python3.6/site-packages/ipykernel/ main .py:5: UserWarning: Keras 2 参数的语义与 Keras 1 参数的语义steps_per_epoch不同samples_per_epoch。steps_per_epoch是在每个时期从生成器中提取的批次数。基本上steps_per_epoch = samples_per_epoch/batch_size。同样nb_val_samples->validation_steps和val_samples->steps参数也发生了变化。相应地更新您的方法调用。/Users/username/anaconda/envs/tensorflow/lib/python3.6/site-packages/ipykernel/ main .py:5：用户警告：更新您fit_generator对 Keras 2 API 的调用：fit_generator(<keras.pre..., steps_per_epoch=60000, validation_data=<keras.pre..., epochs=1, validation_steps=10000)

下面是我的模型的代码（简单的 MNIST 线性分类器，但我使用的每个模型都会收到此警告）：

这是我的 fit_generator() 调用：

我明白这个警告告诉我什么。就我而言，这不是问题。我怎样才能摆脱它？

我使用 keras 创建了一个自定义激活函数，它将通道大小减少了一半（最大特征图激活）。

这是代码的一部分：

当我编译这段代码时，我收到以下错误：

此错误来自最后一行代码。激活后，通道长度从 32 减少到 16。但是下一层会自动将通道长度视为 32（第一层中的过滤器数量）而不是 16。我尝试在第二个卷积层中添加 input_shape 参数来定义输入形状为 (513,211,16)。但这也给了我同样的错误。激活后我应该怎么做才能将张量的形状传递到下一层？

谢谢

非常简单地说，当我在 Keras 代码中使用时，我的问题涉及到图像大小与 maxpool 层之后的输入图像大小不同padding = 'same'。我正在浏览 Keras 博客：在 Keras 中构建自动编码器。我正在构建卷积自动编码器。自编码器代码如下：

根据autoencoder.summary()，第一Conv2D(16, (3, 3), activation='relu', padding='same')(input_layer)层之后的图像输出为 28 X 28 X 16，即与输入图像大小相同。这是因为填充是'same'.

下一层（第 3 层）是，MaxPooling2D((2, 2), padding='same')(x)。summary() 显示该层的输出图像大小为 14 X 14 X 16。但该层中的填充也是'same'. 那么为什么输出图像大小不保持为 28 X 28 X 16 并填充零？

此外，当来自其早期层上方的输入形状为 (16 X 16 X 8) 时，在第 12 层之后输出形状如何变为 (14 X 14 X 16) 尚不清楚。

`

我用 Keras 创建了一个自定义初始化程序。部分代码是：

当在卷积层中第二次调用“my_init”初始化程序时，它会抛出此错误：

不允许重用变量 P。有没有办法在每次调用中创建一个新变量？

我想通过插值（例如使用最近邻）将张量（层之间）的大小（无，2,7,512）调整为（无，2,8,512），类似于tf.image.resize_nearest_neighborTensorflow中可用的此功能.

有没有办法做到这一点？

我尝试直接使用 Tensorflow 函数tf.image.resize_nearest_neighbor并将张量传递给下一个 Keras 层，但是在下一层时抛出了这个错误：

AttributeError：“张量”对象没有属性“_keras_history”

我相信这是由于 Tensorflow 张量中缺少某些属性，这是有道理的，因为该层期望通过 Keras 张量。

我在 Windows 10 上遇到问题，Jupyter Notebook 中的 Python 3 正确显示 Keras 进度条。正如您从所附图像中看到的那样，输出都被连接为一个带有 verbose=1 的长字符串，而不是正确的退格和重置。我猜这个问题是笔记本没有正确解释 \b 字符，但我似乎找不到解决方法。有没有人遇到过类似的问题？我可以用 verbose=2 进行训练，但我真的很希望能够看到估计的剩余时间。其他帖子on here 建议进度条只是将每个批次放在新行上的问题，结果诊断是“似乎信息使进度条对于终端来说太长了，因此它会换行。” 所以解决方案是让终端更宽。但是，这（据我所知）在 jupyter 笔记本中是不可能的。任何人都可以提出任何替代方案来处理这个问题吗？

我正在将一个项目从 Keras 1.x 迁移到 2.x。

在代码中，keras.backend.conv2d在 1.x 中运行良好的操作现在在 2.x 中崩溃。

输入张量的形状a和b都是(1024, 4, 1, 1)，输出张量的形状(1024, 1024, 1, 1)在 1.x 中。

使用 2.x 我收到以下错误：

我正在使用 Theano 后端，并设置channels_first在K.set_image_data_format和conv2d.

我正在解决句子级二进制分类任务。我的数据由 3 个标记子数组组成：左上下文、核心和右上下文。

我使用Keras设计了卷积神经网络的几种替代方案，并验证哪一种最适合我的问题。

我是 Python 和 Keras 的新手，我决定从更简单的解决方案开始，以测试哪些更改可以改善我的指标（准确度、精确度、召回率、f1 和 auc-roc）。第一个简化是关于输入数据：我决定忽略上下文来创建 Keras 的顺序模型：

如您所见，我使用固定大小的输入，因此我应用了填充预处理。我还使用了带有 Word2Vec 模型的嵌入层。

该模型返回以下结果：

我希望实现如何通过 Lambda 层在我的 CNN 中选择输入数据的子数组。我使用以下 Lambda 层定义：

这是我的新 CNN 的摘要（你可以看到它与以前的几乎相同）：

但结果令人作呕，因为准确率停止在60%，而且很明显，就第一个模型结果而言，准确率、召回率和 f1 太低（< 0.10）。

我不知道发生了什么，我不知道这些网络是否比我想象的更加不同。

关于这个问题的任何线索？

我正在使用 Keras 进行图像分类。有我的模型：

我想避免 Flatten() 因为在这种情况下我们会丢失一些空间信息。我看了一些教程，但都使用了 Flatten()。是否可以改用反卷积之类的东西？

我有一个问题要在 Convolution1D 层之后重塑中间层。卷积层的输出是 (None, 15, 30)，我想将其重塑为 (None, 15, 30, 1)。这是一段代码：

当我运行这个模型时，我得到以下错误：

我不明白为什么会出现此错误，因为形状的数字仍然相同： 15*30 = 15*30*1

为了更清楚地举一个例子，我想把这个变成：

进入那个：

知道我的代码有什么问题吗？

提前致谢。