问题标签 [matconvnet]

我正在尝试使用 MATCONVNET 构建自己的 CNN（Alexnet 模型）用于交通标志识别。我使用来自德国交通标志识别基准 (GTSRB) 网站 ( http://benchmark.ini.rub.de/?section=gtsrb&subsection=datase ) 的图像数据集创建了我自己的 IMDB，其中包括标记良好的训练、验证以及43类道路交通标志的测试数据。

现在我面临两个挑战。

1. 我的网络没有融合。我有一个大约 0.977 的稳定误差

2. 即使有这个错误率，我也在尝试评估我训练有素的网络，但这就是我面临的最大挑战。我还没有弄清楚如何在 MATCONVNET 中评估自训练网络，并且几乎没有有用的材料可以提供帮助。

如果您对我需要更改或做得更好有什么想法，请有人帮忙？

我是 matconvnet 的新手。最近，我想尝试一种新的损失函数来代替预训练模型中现有的损失函数，例如 vgg-16，它通常使用 softmax 损失层。更重要的是，我想使用一个新的特征提取层，而不是池化层或最大层​​。我知道 matconvnet、simpleNN 和 DagNN 中分别有 2 个 CNN 包装器，因为我使用的是 vgg-16，这是一个具有线性构建块序列的线性模型。那么，在 simpleNN 包装器中，如何详细创建自定义层，尤其是过程和相关概念，例如，我需要删除新特征提取器层后面的层还是只保留它们？而且我知道如何计算损失函数的导数，因此层内的计算细节在这个问题中并不重要，我只想知道代码所代表的过程。有人可以帮助我吗？我会很感激的！

MatLab新手在这里。我想使用 CNN 对我的数据进行分类，我有 46 个文件夹，每个文件夹里面有 5 张图片。我的数据是平假名文本，就像字母表一样。

我正在关注本教程，它已经有 imdb.mat 文件。我已经在寻找答案，但仍然无法弄清楚如何制作我自己的 imdb。真的需要一步一步的解释以及我的文件夹应该如何构建。

谢谢你。

trainNetwork() 的输出类型必须是 categorical()。如何创建具有浮点/真实输出的 CNN？

我的意思是以下命令给出以下错误：

（错误消息对应于 [0.0, 0.1, 0.2, 0.3] 向量），但我需要真正的输出，而不是类别。

networkLayers 如下：

我是深度学习的新手，并试图根据我的设计和形状绘制 fcn32 架构（纸上的图 3）。您能否看一下 FCN32 架构的示意图，如果某些部分需要更正，请告诉我？谢谢

我正在使用 mathconvnet 1.0 beta24。我可以正确安装和编译工具箱。当我按照网站上的快速入门（http://www.vlfeat.org/matconvnet/quick/）；我开始；

之后，我想使用其中一个 resnet 模型而不是 imagenet-vgg-f 模型，所以我继续；

它在这部分工作正常，但是当我运行以下命令时；

我收到以下错误；

来自非元胞数组对象的元胞内容引用。

imagenet-vgg-f 模型工作正常，但是当我尝试使用 resnet 模型时出现错误。我不知道如何解决这个问题。这对我来说非常重要，因为我是一个新手。

任何想法表示赞赏

提前致谢

已解决：以前我的数据集有大约 1000 张图像。我将它增加到 50 000，现在神经网络学习并工作。

我创建了一个卷积神经网络，用于从面部表情（积极、中性、消极情绪）中识别三种情绪。不知何故，我的错误函数并没有变得更好（错误图像）。训练和验证误差在 100 个 epoch 内保持不变。可能是什么原因？

为什么错误是恒定的？

这是我的代码：

我正在使用 AlexNet 来训练基于回归的计数估计。我的代码如下

但是输入图像的预测对于所有图像和负片都是恒定的。我在这里做错了什么？

我正在使用 MATCONVNET DagNN。使用 AlexNet 架构。我的架构的最后几层是

每个 epoch 的结果如附件所示。为什么错误和目标不收敛？回归损失是 MSE 损失。

我正在使用 MatConvNet 中的卷积神经网络进行情感识别。我有一个主要的大数据集（A 有 40.000 张图片）和两个更难、更小的数据集（B、C 有 5.000 张图片）具有相同的类。当我在数据集 A 上使用随机权重初始化运行我的网络时，我得到了 70% 的准确率。

因此，我想通过在同一网络架构上的数据集 B 和 C 上预训练的权重进行初始化来提高性能。在数据集 A 上微调我的网络时，我只从预训练网络中获取三个初始层（conv、relu、pool）。但是，我得到的结果低于随机权重。我还尝试了所有层，六个第一层和一个第一层。

我理解和实施正确吗？我使用来自预训练网络的权重，而不是前三层中的随机权重（实际上只是在第一层 - conv）。现在我不确定我是否很好地理解了这个概念。

我使用以下代码进行微调：