用PyTorch数据加载器将三维和一维特征传递给神经网络
我有大小为2x8x8的张量的例子，我使用PyTorch Dataloader。但是现在我想添加一个额外的1微调张量，大小为1（单个数字）作为输入。
所以我有两个神经网络的输入参数，一个是多维的，用于卷积层，另一个是我稍后将连接的。
也许我可以为每个张量形状使用两个数据加载器，但是我不能洗牌它们。
如何将一个PyTorch数据加载器用于这两个不同的输入张量？
共有1个答案
这与数据加载器无关，应该在数据集中完成。通过从torch继承数据集，实现您自己的数据集。util。数据数据集（您需要实现\uuuu len\uuuuu和\uuuu getitem\uuuuu）。让你的\uuu getitem\uuu方法返回你的两个张量，你就会没事了。
如果需要，您可以按照本教程进行操作。
-
我在Keras有卷积神经网络。我需要知道每个图层中要素地图的尺寸。我的输入是28 x 28像素的图像。我知道有一种计算方法，但我不知道如何计算。下面是我使用Keras的代码片段。 最后，这就是我想画的。非常感谢。
-
深度神经网络具有独特的功能，可以帮助机器学习突破自然语言的过程。 据观察，这些模型中的大多数将语言视为单词或字符的平坦序列，并使用一种称为递归神经网络或RNN的模型。 许多研究人员得出的结论是，对于短语的分层树，语言最容易被理解。 此类型包含在考虑特定结构的递归神经网络中。 PyTorch有一个特定的功能，有助于使这些复杂的自然语言处理模型更容易。 它是一个功能齐全的框架，适用于各种深度学习，并为
-
递归神经网络是一种遵循顺序方法的深度学习导向算法。在神经网络中，我们总是假设每个输入和输出都独立于所有其他层。这些类型的神经网络被称为循环，因为它们以顺序方式执行数学计算，完成一个接一个的任务。 下图说明了循环神经网络的完整方法和工作 - 在上图中，，，和是包括一些隐藏输入值的输入，即输出的相应输出的，和。现在将专注于实现PyTorch，以在递归神经网络的帮助下创建正弦波。 在训练期间，将遵循模型
-
我正在试图理解卷积神经网络中的维度是如何表现的。在下图中，输入为带1个通道的28乘28矩阵。然后是32个5乘5的过滤器（高度和宽度步幅为2）。所以我理解结果是14乘14乘32。但是在下一个卷积层中，我们有64个5×5的滤波器（同样是步幅2）。那么为什么结果是7乘7乘64而不是7乘7乘32*64呢？我们不是将64个滤波器中的每一个应用于32个通道中的每一个吗？
-
我在使用Keras和Python对3D形状进行分类时遇到了一个问题。我有一个文件夹，里面有一些JSON格式的模型。我将这些模型读入Numpy数组。模型是25*25*25，表示体素化模型的占用网格（每个位置表示位置（i、j、k）中的体素是否有点），因此我只有1个输入通道，就像2D图像中的灰度图像一样。我拥有的代码如下： 在此之后，我得到以下错误 使用TensorFlow后端。回溯（最后一次调用）：文
-
我正在实现一个三维卷积神经网络，我有两个问题。 问题一 每个输入是一个大小为（201,10,4）的3D矩阵。我希望我的过滤器能够在第二和第三维度上移动，因为它们是完全连接的。第三个维度是特征维度。所以我不想看第二和第三维度的当地社区。因此，我的过滤器大小将是例如（3,10,4）的大小。所以过滤器大小等于第二和第三维度，但我们在第一维度中有权重共享。以下是我的卷积代码： 所以我应该在这里使用步幅，这