我正在使用 Python 3.6.2 和 Tensorflow-gpu 1.3.0 运行 Keras 2.0.6。

为了对 Vgg16 模型进行微调，我在手动构建了一个 vgg16 架构并加载了权重之后运行了这段代码，但我还没有调用 compile()：

当我检查 Tensorboard 中的图表时，我看到（检查附图的左上角）dense_3 连接到 dropout_2 但自身悬空。然后在它旁边我看到dense_4，也连接到dropout_2。

张量板模型图

我尝试按照 joelthchao 在 2016 年 5 月 6 日的建议将 pop() 替换为下面的 pop_layer() 代码。不幸的是，Tensorboard 中显示的图表变得一团糟。

我知道有些东西不能正常工作，因为在 Kaggle 猫狗比赛中运行它时我的准确率很低，我徘徊在 90% 左右，而其他人在 Theanos 之上运行这段代码（它改编自 fast.ai）很容易得到 97%。也许我的准确性问题来自其他地方，但我仍然认为dense_3 不应该在那里晃来晃去，我想知道这是否可能是我的精度问题的根源。

我怎样才能绝对断开并删除dense_3？

请参阅下面的 model.summary() 在运行代码之前和之后为微调做准备。我们不再看到dense_3，但我们确实在张量板图中看到了它。

跑步前

运行后

我一直在研究我的项目深度学习语言检测，这是一个具有这些层的网络，可以从 16 种编程语言中识别：

这是生成网络的代码：

所以我的最后一门语言课是 SQL，在测试阶段，它永远无法正确预测 SQL，并且得分为 0%。我认为这是由于 SQL 样本的质量很差（实际上它们很差），所以我删除了这门课，开始训练 15 个课。令我惊讶的是，现在 F# 文件的检测率为 0%，而 F# 是删除 SQL 后的最后一个类（即，最后一个位置为 1 其余位置为 0 的 one-hot-vector）。现在，如果一个在 16 上训练的网络用于对抗 15，它将达到 98.5% 的非常高的成功率。

我使用的代码非常简单，主要在defs.py和data_helper.py中可用

这是使用 16 个类对 16 个类进行测试的网络训练结果：

这是同一个网络（针对 16 个训练）针对 15 个类运行的结果：

有没有其他人看过这个？我怎样才能绕过它？

我制作了一个小型 keras 模型并使用以下代码获取模型的权重：

现在我想将权重初始化为使用 keras 初始化程序的相同形状，我使用以下代码：

我的做法对吗？如果它是错误的，那么请建议我解决方案，如果它是正确的，那么为什么我看不到重量，它显示：

我有不同长度的输入文本，从几个字符到一百个单词，所以我决定为每个批次使用不同的MAX_LENGTH，而不是为所有批次固定MAX_LENGTH（对于较小的文本，显然更短的 MAX_LENGTH）。

谷歌搜索后，我在 Keras github 页面中看到了这个线程，它给出了以下解决方案：

序列应按长度分组，并在发送到 Keras 之前按该长度手动分段。

如果我使用这个技巧，我猜在训练时没有办法打乱数据，这可能会导致过度拟合。

我在 Kaggle 中看到了很多使用这个技巧的讨论。我想知道这个问题还有其他解决方案吗？

我有一个模型函数，它接受特征、目标和模式，但是当我添加 tf.keras 层时，我目前得到的异常 pred 必须是张量、变量或 Python 布尔值。

但是，当我不使用 tf.keras 而是直接从 keras（即来自 keras.layers）运行相同的代码时，它正在工作。

代码 ：

当我执行上面的脚本时，我得到一个异常 TypeError: pred must be a Tensor, a Variable, or a Python bool。

但是，当我在没有 tf.keras 的情况下直接使用 keras（来自 keras）时，它也可以正常工作。这里出了什么问题？

我正在尝试冻结经过免费训练的 VGG16 层（下面的“conv_base”）并在它们之上添加新层以进行特征提取。我希望在模型拟合之前（ret1）/之后（ret2）从“conv_base”获得相同的预测结果，但事实并非如此。这是检查体重冻结的错误方法吗？

加载 VGG16 并设置为不可训练

模型拟合前的结果

在 VGG16 上添加层并编译模型

拟合模型

模型拟合后的结果

希望这是真的，但事实并非如此。

升级到 Keras 2.0.9 后，我一直在使用该multi_gpu_model实用程序，但无法保存我的模型或最佳权重

我得到的错误是

TypeError：无法腌制模块对象

我怀疑访问模型对象存在一些问题。有解决这个问题的方法吗？

我目前正在尝试训练一个 DNN 用于具有大量扬声器的语音识别，每个扬声器都有自己的标签（output_classes = 扬声器总数）。我的数据库现在有 300 个发言者，Keras 模型摘要如下：

1240 (输入大小) --> 256 hidden --> 256 hidden --> 256 hidden (0.5 dropout) --> 256 (0.5 dropout) --> Softmax (300)

我分批提供数据（每个扬声器数据 = 一批）并使用以下优化器：

如下fit_generator：

trainGen我的生成器函数在哪里

训练时，交叉验证准确率始终稳定在 0.0033 即 1/300。不过，训练和交叉验证损失在每个 epoch 之后都在下降。有什么建议么？

我正在使用 Keras 构建网络。在这个过程中，我需要一个层，它接受一个 LSTM 输入，什么都不做，只是输出与输入完全相同。即如果LSTM的每个输入记录都像[[A_t1, A_t2, A_t3, A_t4, A_t5, A_t6]]，我正在寻找一个层：

SomeIdentityLayer(x) 将[[A_t1, A_t2, A_t3, A_t4, A_t5, A_t6]]作为输入和输出[[A_t1, A_t2, A_t3, A_t4, A_t5, A_t6]]。Keras 中有这样的层/结构吗？谢谢！

我创建了以下网络。这个想法是结合 和 的输出left，right然后发送到 LSTM 模型。

我试图连接左右输出，然后将新张量发送到 LSTM 模型。

但是，我收到以下错误：

知道我做错了什么吗？我可以添加一个Concatenate图层作为模型的第一层吗？谢谢！