Perguntas com a marcação «deep-learning»

Aprendizado profundo é uma área de aprendizado de máquina cujo objetivo é aprender funções complexas usando arquiteturas de rede neural especiais que são "profundas" (consistem em muitas camadas). Essa tag deve ser usada para perguntas sobre a implementação de arquiteturas de aprendizado profundo. Perguntas gerais sobre aprendizado de máquina devem ser marcadas como "aprendizado de máquina". Incluir uma tag para a biblioteca de software relevante (por exemplo, "keras", "tensorflow", "pytorch", "fast.ai" e etc) é útil.


3
Entendendo os LSTMs do Keras
Estou tentando reconciliar meu entendimento dos LSTMs e apontado aqui neste post por Christopher Olah implementado no Keras. Estou seguindo o blog escrito por Jason Brownlee para o tutorial de Keras. O que mais me deixa confuso é, A remodelagem das séries de dados em [samples, time steps, features]e, Os …






11
Por que binary_crossentropy e categorical_crossentropy oferecem desempenhos diferentes para o mesmo problema?
Estou tentando treinar uma CNN para categorizar o texto por tópico. Quando uso entropia cruzada binária, obtenho ~ 80% de precisão, com entropia cruzada categórica recebo ~ 50% de precisão. Eu não entendo por que isso é. É um problema multiclasse, isso não significa que eu tenho que usar entropia …

8
O que a função tf.nn.embedding_lookup faz?
tf.nn.embedding_lookup(params, ids, partition_strategy='mod', name=None) Não consigo entender o dever dessa função. É como uma tabela de pesquisa? O que significa retornar os parâmetros correspondentes a cada ID (em IDs)? Por exemplo, no skip-grammodelo se usarmos tf.nn.embedding_lookup(embeddings, train_inputs), então para cada train_inputum deles ele encontrará a incorporação correspondente?

10
Keras, como obter a saída de cada camada?
Treinei um modelo de classificação binária com a CNN, e aqui está o meu código model = Sequential() model.add(Convolution2D(nb_filters, kernel_size[0], kernel_size[1], border_mode='valid', input_shape=input_shape)) model.add(Activation('relu')) model.add(Convolution2D(nb_filters, kernel_size[0], kernel_size[1])) model.add(Activation('relu')) model.add(MaxPooling2D(pool_size=pool_size)) # (16, 16, 32) model.add(Convolution2D(nb_filters*2, kernel_size[0], kernel_size[1])) model.add(Activation('relu')) model.add(Convolution2D(nb_filters*2, kernel_size[0], kernel_size[1])) model.add(Activation('relu')) model.add(MaxPooling2D(pool_size=pool_size)) # (8, 8, 64) = (2048) model.add(Flatten()) model.add(Dense(1024)) …




5
Qual é o papel de “Flatten” em Keras?
Estou tentando entender o papel da Flattenfunção em Keras. Abaixo está meu código, que é uma rede simples de duas camadas. Ele recebe dados bidimensionais de forma (3, 2) e produz dados unidimensionais de forma (1, 4): model = Sequential() model.add(Dense(16, input_shape=(3, 2))) model.add(Activation('relu')) model.add(Flatten()) model.add(Dense(4)) model.compile(loss='mean_squared_error', optimizer='SGD') x = …


Ao utilizar nosso site, você reconhece que leu e compreendeu nossa Política de Cookies e nossa Política de Privacidade.
Licensed under cc by-sa 3.0 with attribution required.