问题标签 [transfer-learning]

我知道在收敛时降低学习率可能会更好。

我的困惑是，您可以在某些步骤后更改配置文件中的值吗？如果是，我应该更改哪个配置文件？在火车文件夹中生成的还是在下载的模型文件夹中生成的？

我是否需要先导出到冻结图才能使更改生效？

预先感谢您帮助我！

我正在尝试迭代数据集批次并在预训练模型上运行推理。我创建了一个会话并像这样加载模型：

我收到此错误：

ValueError: GraphDef 不能大于 2GB。

我可能误解了图表的确切含义。我不明白为什么对 32 幅图像进行一次迭代会导致图中的扩展。我的操作是否添加到预训练模型图中？根据我到目前为止所遇到的情况，向 TF Graph 添加操作是使用 add 或 tf.'function_name' 完成的，这是正确的吗？

任何帮助或指向示例的指针将不胜感激。

谢谢。

我开发了一个迁移学习应用程序，我正在为我的数据流重新训练 MobileNetV2。

我正在使用来自 tensorflow-hub 的retrain.py重新训练模型，并且没有进行任何修改。

当我从终端运行脚本时，我会在模型下载到我的用户配置文件中的临时目录后直接收到此警告。

在调试过程中，我创建了一个test.py脚本来找出警告的来源：

并发现它起源create_module_graph于retrain.py. 当我使用从终端运行脚本时python test.py，我从上面收到生产者警告。但是，当我main()从 ipython 控制台运行时，我没有收到生产者版本警告。

当我所做的只是从 tensorflow-hub 存储库创建图表时，我不确定为什么会发生这种情况。我查看了版本兼容性文档，并没有看到任何与该错误特别相关的内容。翻看源代码，似乎表明我的图表在构建它之前已经缩减到最低版本。

1. 这有什么好担心的吗？
2. 它是否会改变您加载图表以进行预测的方式？

我希望使用迁移学习来处理图像，并且我的图像有不同的大小。我认为一般卷积层可以采用可变输入大小，但全连接层只能采用特定大小的输入。然而，VGG-16 或 ResNet50 的 Keras 实现可以采用任何大于 32x32 的图像大小，尽管它们确实具有完全连接的层。我想知道如何为不同的图像尺寸修复完全连接的层大小？

非常感谢！

我正在使用 Resnet50 模型进行迁移学习，总共使用了 20 个场景（MIT Place365 数据集）的 100,000 张图像。我只训练了最后 160 层（由于内存限制）。问题是我得到了相当高的准确度但验证准确度极低，我认为这可能是一个过度拟合的问题，但我不知道如何解决它。如果有人能给我关于如何解决我的低 val_acc 问题的建议，我将非常感激，非常感谢。我的代码如下：

以下是打印输出：

我正在尝试微调 MobileNet，但收到以下错误：

与我设置目录迭代器的方式有什么冲突吗？

我的新瓶颈层如下：

这里图像必须根据 VGG16 模型的输入类型进行转换。我为此使用了以下代码，我使用库中的 VGG16 模型并将预训练的值设置为 true

它给了我以下错误：

我想在应用转换并将其馈送到 VGG16 模型后预测给定输入图像的输出

我有这个庞大的数据集，我只从该数据中抽取了一个样本给你看，现在你可以看到它有两类猫和狗，在训练数据中我必须手动标记它，因为猫和狗的图像是混合的，所以有没有其他方法可以做到这一点。我必须对此进行注释，然后只有我可以训练是否是猫还是狗。

在 Pytorch 迁移学习教程之后，我有兴趣只报告训练和测试的准确性以及混淆矩阵（比如使用 sklearn 混淆矩阵）。我怎样才能做到这一点？当前教程仅报告训练/验证准确性，我很难弄清楚如何在其中合并 sklearn 混淆矩阵代码。此处链接到原始教程：https ://pytorch.org/tutorials/beginner/transfer_learning_tutorial.html

我正在尝试使用VGGish模型的预训练基础生成的 128 字节嵌入来对音频数据进行迁移学习。用于将python vggish_inference_demo.py --wav_file ...我的训练数据编码为 tfrecord 效果很好，但现在我想将其用作另一个模型的输入（例如，我用 keras 或其他东西创建的神经网络）。使用一些类似的问题和文档，我用一个文件的第一个嵌入记录走了这么远：

这产生

我什至不确定这b'...'是什么（超过 64 个且少于 128 个 xs - 所以不确定这与任何东西是如何对齐的）。

也许我在这里缺少一些基本的 Python 知识，但是如何将其转换为可以用作其他模型的输入的数字数组？