如何用多通道一维对象训练神经网络？
目的是实现具有1D对象（例如时间序列）的多个通道（即输入层）的神经网络架构。其想法是在组合任何通道的特征图以输出概率预测之前，在任何通道中应用独立操作。
一个潜在的解决方案可能是使用千层面。千层面是西亚诺的一种轻质包装物。如果需要Theano的灵活性，但不想总是从头开始编写神经网络层，通常建议使用此选项。
千层面是否提供了在python中为1D对象实现多通道神经网络的工具？是否可以使用千层面实现多个输入层。图层，还是应该使用编号创建自定义图层？
共有1个答案
多通道时间序列实际上只是一个2D数据矩阵，您可以将其想象为一张图片。您可以为此应用标准卷积层。
如果您想“在组合任何通道的特征映射之前在任何通道中应用独立操作”，则可以通过将第一层中的卷积大小配置为通道维度中的窄（宽1），时间维度中的宽来实现；然后在以下层中组合通道。
-
第 10 章介绍了人工神经网络，并训练了第一个深度神经网络。 但它非常浅，只有两个隐藏层。 如果你需要解决非常复杂的问题，例如检测高分辨率图像中的数百种类型的对象，该怎么办？ 你可能需要训练更深的 DNN，也许有 10 层或更多，每层包含数百个神经元，通过数十万个连接相连。 这可不像公园散步那么简单，可能碰到下面这些问题： 你将面临棘手的梯度消失问题（或相关的梯度爆炸问题）：在反向传播过程中，梯度
-
第 10 章介绍了人工神经网络，并训练了我们的第一个深度神经网络。 但它是一个非常浅的 DNN，只有两个隐藏层。 如果你需要解决非常复杂的问题，例如检测高分辨率图像中的数百种类型的对象，该怎么办？ 你可能需要训练更深的 DNN，也许有 10 层，每层包含数百个神经元，通过数十万个连接来连接。 这不会是闲庭信步： 首先，你将面临棘手的梯度消失问题（或相关的梯度爆炸问题），这会影响深度神经网络，并使较
-
我有一个关于卷积神经网络（）训练的问题。 我成功地使用tensorflow训练了一个网络，它获取一个输入图像（1600像素），然后输出三个匹配的类中的一个。 使用不同的培训课程测试网络，效果良好。然而当我给它一个不同的第四个图像（不包含任何经过训练的3个图像）时，它总是返回一个随机匹配到其中一个类。 我的问题是，如何训练网络来分类图像不属于这三个训练图像中的任何一个？类似的例子是，如果我针对mni
-
在本章中，我们将了解可以使用TensorFlow框架实现的神经网络训练的各个方面。 以下几个建议，可以评估 - 1. 反向传播 反向传播是计算偏导数的简单方法，其中包括最适合神经网络的基本形式的合成。 2. 随机梯度下降 在随机梯度下降中，批处理是示例的总数，用户用于在单次迭代中计算梯度。到目前为止，假设批处理已经是整个数据集。最好的例子是谷歌规模; 数据集通常包含数十亿甚至数千亿个示例。 3.
-
我知道前馈神经网络的基本知识，以及如何使用反向传播算法对其进行训练，但我正在寻找一种算法，以便使用强化学习在线训练神经网络。 例如，我想用人工神经网络解决手推车杆摆动问题。在这种情况下，我不知道应该怎么控制钟摆，我只知道我离理想位置有多近。我需要让安在奖惩的基础上学习。因此，监督学习不是一种选择。 另一种情况类似于蛇游戏，反馈被延迟，并且仅限于进球和反进球，而不是奖励。 我可以为第一种情况想出一些
-
我们现在将学习如何训练神经网络。 我们还将学习Python深度学习中的反向传播算法和反向传递。 我们必须找到神经网络权重的最佳值，以获得所需的输出。 为了训练神经网络，我们使用迭代梯度下降法。 我们最初从权重的随机初始化开始。 在随机初始化之后，我们使用前向传播过程对数据的某个子集进行预测，计算相应的成本函数C，并将每个权重w更新为与dC/dw成比例的量，即成本函数的导数。重量。 比例常数称为学习