recurrent-neural-network

    0熱度

    1回答

    我保存了一個基於循環神經網絡的訓練模型。當我運行以下函數'lstm_vector_predict()'時,即使加載相同的模型,它也會每次返回不同的值。預測值時,張量流是否使用一些隨機數生成? import get_list_of_values_to_input import tensorflow as tf import tensorflow.contrib.learn as tflearn

    2熱度

    1回答

    我有一個數據集跨越數百值關於溫度。顯然,在氣象學中,預測未來的價值將基於過去會有所幫助。 我有以下狀態模型,建於Keras: look_back = 1 model.add(LSTM(32, batch_input_shape=(batch_size, look_back, 1), stateful=True)) model.add(Dense(1)) model.compile(loss=

    0熱度

    1回答

    我對張量流很陌生,我無法完全理解如何對張量進行整形,以便將輸出作爲單個數字。基本上,我的經常性網絡應該猜測下一個數字。相反,每次預測它都會返回一個包含五個數字的列表?我想我的張量中有一個或更多是畸形的。 我的輸入數據被格式化爲大約2000列出了用5個特徵的每個是這樣的: [ np.array ([ [1],[2],[3],[4],[5] ]) ] 這是

    2熱度

    1回答

    我正在嘗試創建一個端到端的可訓練離線英文手寫識別模型(無需分割個別字符)。我正在使用IAM手寫數據庫中的單詞數據集進行培訓。 我試圖降低學習率,增加批量大小等,但造成的損失不斷沒有/顯著整體下降波動 - TensorBoard visualization for cost at each step 我是新來TensorFlow所以會犯一些幼稚的錯誤。使用的代碼: class CRNN(object

    0熱度

    1回答

    我有以下代碼 flags = tf.flags logging = tf.logging flags.DEFINE_string('model', 'small', 'A type of model. Possible options are: small, medium, large.' ) flags.DEFINE_string('data_path

    0熱度

    1回答

    考慮以下情況(圖片)。我想開發人工智能,瞭解一個特定的事件和序列或它的鏈。 場景1: - 先將球傳遞給玩家1.然後玩家1可以抓住球或丟失球。 場景2: - 玩家1將球傳遞給玩家2.然後玩家2可以抓住球或丟失球。 還有更多的其他組合,但讓我們限制到2場景。我的AI想要做的是,記住這兩個場景和鏈條!每個場景發生了什麼。 所以我期望從你那裏知道的是,我該如何實現這種AI,我應該採用什麼樣的方法和技術來開

    0熱度

    1回答

    在深度學習文獻中,我遇到了很多使用堆疊式RNN(堆疊LSTM)網絡的例子,雖然探索了細胞本身的細節,但通常沒有關於堆疊式架構中的不同層是否共享權重的信息或不。 我試圖理解的是,當作者沒有指定這個時,默認行爲是什麼?我們是否應該假設他們已經分享了各層的權重?或者每個圖層都有它自己的一組權重來表示它的單元格?

    1熱度

    1回答

    我正在構建一個RNN模型來完成圖像分類。我用一條管道輸入數據。但是它返回 ValueError: Variable rnn/rnn/basic_rnn_cell/weights already exists, disallowed. Did you mean to set reuse=True in VarScope? Originally defined at: 我不知道我能做些什麼來解決這

    0熱度

    2回答

    我有麻煩抓住形狀輸入到網絡的第一層。這是我的架構: # Model Hyperparameters filter_sizes = [1, 2, 3, 4, 5] num_filters = 10 dropout_prob = [0.5, 0.8] hidden_dims = 50 model_input = Input(shape=(X.shap

    2熱度

    2回答

    我正在試圖訓練Keras LSTM模型來預測序列中的下一個數字。 有什麼不對低於我的模型,我怎麼調試,當一種模式是無法學習 我如何決定使用 ,我應該選擇而損失和優化PARAMS憑什麼這層類型編譯 我的輸入訓練數據是形狀(16000,10)等的下面 [ [14955 14956 14957 14958 14959 14960 14961 14962 14963 14964] [1