问题标签 [vgg-net]

我用SIRI-WHU数据集预训练了VGG19，现在想提取特征，不知道怎么做。有人能帮助我吗？谢谢

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

目标：使用 pretained VGG16 对 CIFAR-10 图像进行分类。

请参阅此链接以进行概述： https ://colab.research.google.com/drive/10Wo95j3h7h7QMd8Xpueb50ieawxw5b4M

当我将 vgg.prepare() 应用于以下图像时，我得到了这个结果：

我使用这行代码：

并得到一张由给定图像的 9 个副本组合而成的图像：

我一直在尝试用大约 2000 张图像的数据集在 keras 中训练一个 VGG16 网络。当我在每个 epoch 之后始终达到 2% 左右的非常低的准确度时，就会出现问题，并且它会一直围绕这个数字波动。但是当我用一个简单的 leNet 训练它时，它达到了 99% 左右的高精度。我不知道问题是什么。我的代码中是否存在固有缺陷？更多的深度有时会对您的准确性产生负面影响吗？这两段代码都附在下面。抱歉，我没有训练过程的屏幕截图。

VGG16 代码：

乐网代码：

另外，需要明确的是，我使用的是手语词典中的数据集。我将视频分成图像。目标是能够通过图像分类识别美国手语单词。

我正在尝试使用 VGG16 预训练模型进行图像分类。同样，我做了以下事情：

模型类型如下：

结果是：

然后，我将 Sequential 模型定义为：

然后，我尝试通过以下方式将其转换vgg16_model为顺序：

它向我显示如下错误：

如果有人可以帮助我解决这个问题，那就太好了。

我正在使用 Chainer 的相关模型 vgg（这里命名为 net）。每次运行以下代码时，都会得到不同的结果：

我检查了 vgg.prepare() 几次但它的输出是一样的，这里没有随机初始化（net 是一个预训练的 vgg 网络）。那么为什么会这样呢？

我得到的错误是fc_model使用以下方法转换为张量：

在早期版本的 Keras

正在工作，但Merge已从新版本的 Keras 中删除。我想将输出 LSTM 模型和 VGG 模型相乘fc_model。谁能建议我什么？

我的模型是

每张图像为 128*128*3。我的笔记本电脑上有 8 个 CPU，CPU 使用率约为 700%。为什么运行一个 epoch 大约需要 1 小时？如何提高性能？谢谢

更新

以下是我的模型的详细信息：

我正在从给定图像的预训练 VGG19 ConvNet 中提取中间层输出。我希望如果我两次给出相同的图像，我应该得到相同的输出。但是，我没有得到相同的输出。为什么会发生这种情况以及如何解决这个问题？

附加细节： 我正在关注这篇论文。他们使用 VGG19 ConvNet 并从一些中间层（VGG22 表示第 2 层卷积之前的第 2 层）提取超分辨率图像和地面实况图像的特征。然后他们计算这两个特征集之间的均方误差并将其用作损失参数。现在，我的期望是，如果我只给出两次 Ground Truth Image，均方误差应该为零。但它没有发生吗？我在不同的迭代中得到不同的特征值，但图像相同。我还注意到，当我再次运行程序时，我得到了相同的值集。以下代码供参考：

在这里，我的期望是 features1 = features2，这不是

结果：

特点1：

特点2：

图片取自这里。小路：v1.3/Code/Ours/Images_GroundTruth/BSD200/335094.png

编辑 1：添加了额外的代码和结果