卷积神经网络-如何在同一图像上使用两个cnn模型
我想在同一张图像上使用两个不同训练的CNN（卷积神经网络）模块。我训练了两个模块，一个用于检测，一个用于分类。现在，我想在同一张图像上使用这两个模块。代码是在python中使用keras和tenorflow库。同一图像上的两个不同的CNN
共有1个答案
在tensorflow中，您需要明确指定两个模型的计算图。
# build two separate graphs `g1` and `g2`
tf.reset_default_graph()
with tf.Session(graph=g1) as session:
result = sess.run(detect, feed_dict={x: test_x})
print(result)
tf.reset_default_graph()
with tf.Session(graph=g2) as session:
result = sess.run(recognize, feed_dict={x: test_x})
print(result)
当在一个应用程序中构建多个图时，还有一些注意事项，请参见此问题。
-
首先我们来看看CNN的基本结构。一个常见的CNN例子如下图： 图中是一个图形识别的CNN模型。可以看出最左边的船的图像就是我们的输入层，计算机理解为输入若干个矩阵，这点和DNN基本相同。 接着是卷积层（Convolution Layer）,这个是CNN特有的，我们后面专门来讲。卷积层的激活函数使用的是ReLU。我们在DNN中介绍过ReLU的激活函数，它其实很简单，就是$$ReLU(x) = max
-
本文向大家介绍TensorFlow实现卷积神经网络CNN，包括了TensorFlow实现卷积神经网络CNN的使用技巧和注意事项，需要的朋友参考一下 一、卷积神经网络CNN简介 卷积神经网络（ConvolutionalNeuralNetwork，CNN）最初是为解决图像识别等问题设计的，CNN现在的应用已经不限于图像和视频，也可用于时间序列信号，比如音频信号和文本数据等。CNN作为一个深度学习架构被
-
最后，我开始学习神经网络，我想知道卷积深度信念网络和卷积网络之间的区别。在这里，有一个类似的问题，但没有确切的答案。我们知道卷积深度信念网络是CNN DBN。所以，我要做一个物体识别。我想知道哪一个比另一个好得多或者它们的复杂性。我搜索了一下，但找不到任何东西，可能是做错了什么。
-
我正在尝试运行一个CNN（卷积神经网络），具有1通道/灰度图像，大小为28x28像素。当我尝试训练模型时，它说： ValueError：图层sequential_5输入0与图层不兼容:: 预期min_ndim=4，发现ndim=3。完整形状收到：[无，28,28]
-
注意: 本教程适用于对Tensorflow有丰富经验的用户，并假定用户有机器学习相关领域的专业知识和经验。 概述 对CIFAR-10 数据集的分类是机器学习中一个公开的基准测试问题，其任务是对一组大小为32x32的RGB图像进行分类，这些图像涵盖了10个类别： 飞机， 汽车， 鸟， 猫， 鹿， 狗， 青蛙， 马， 船以及卡车。 想了解更多信息请参考CIFAR-10 page，以及Alex Kriz
-
卷积神经网络（Convolutional Neural Network, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网络由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和池化层（pooling layer）。这一结构使得卷积神经网络能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网络