《多益网络校招》专题

我正在尝试用RELU实现神经网络。 输入层- 以上是我的神经网络结构。我对这个relu的反向传播感到困惑。对于RELU的导数，如果x 有人能解释一下我的神经网络架构的反向传播“一步一步”吗？

我有一个经过训练的网络，它由以下层组成：{con1， pool1， con2， pool2， con3， pool3， con4， pool4， fc5， fc6，输出}fc表示完全连接的层，conv表示卷积层。 我需要做一些图像的特征提取。我用的是千层面和意大利面。我需要保存每个层的特征，以便以后进行分析。我是这门语言的新手，所以我试图找到关于这门语言的示例代码或教程（使用theano/lasa

我正在研究一个深度学习问题，它需要我有一个深度学习模型，该模型具有输入图像和输出另一张图像。现在，输入和输出图像具有不同的维度，因此我不能使用自动编码器。我已经尝试构建一个非常简单的卷积神经网络，它有一个最终的输出密集层，该层以输出图像的宽度和高度相乘为“单位”参数。然而，我下面附加的这个网络没有成功。我的问题是： CNN是不是像我这样处理这个问题的合适的深度学习网络 如果没有，我还可以尝试其他什

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

我正在使用神经网络来解决二分类问题，但我遇到了一些麻烦。有时在运行我的模型时，我的验证精度根本没有变化，有时它工作得很好。我的数据集有1200个样本，有28个特征，我有一个类不平衡（200类a 1000类b）。我所有的特征都被标准化了，并且在1到0之间。正如我之前所说，这个问题并不总是发生，但我想知道为什么并修复它 我曾尝试更改优化功能和激活功能，但这对我没有好处。我还注意到，当我增加网络中的神经

我正在制作这个CNN模型 ''' 但这是给我一个错误：-InvalidArgumentError：负尺寸造成的减去2从1'{{nodeconv2d_115/Conv2D}}=Conv2D[T=DT_FLOAT，data_format="NHWC"，膨胀=[1,1,1,1]，explicit_paddings=[]，填充="VALID"，步幅=[1,2,2,1]，use_cudnn_on_gpu=t

我在使用react native fetch api时遇到了一个问题。多次请求失败。我有一个高速连接。但很多次都失败了。这个问题发生在android和ios上。 作为post请求发送给服务器的数据

我用React Native开发了一个应用程序，我也把它放到了谷歌商店。但一些设备仍然存在一个问题。当其他设备正常工作时，某些设备无法连接到服务器。 我已经生成了多个APK并上传到商店。问题依然存在。我已经把代码放在了android/app/build中。gradle和我想知道所有的设备类型都包括在内。我也应该生成通用APK吗？

我已经开发了Android应用程序，并且连接到JAVA Web Socket，基本上它运行得很好。问题是，有时客户端断开连接，但服务器端的连接似乎已连接。 我试图调查它发生的时间和原因，但不幸的是，我找不到导致这个问题的具体情况。 我想在服务器和所有客户端之间实现乒乓消息，如果客户端没有响应，就关闭服务器端的连接。 我可以很容易地实现这样的我的私人机制，但我已经阅读了周围，我知道Java和Andr

我有一个Flink应用程序在Amazon的Kinesis数据分析服务（托管Flink集群）中运行。在应用程序中，我从Kinesis流keyBy userId读取用户数据，然后聚合一些用户信息。问了这个问题之后，我了解到Flink会在集群中跨物理主机拆分一个流的读取。然后Flink将传入事件转发给主机，该主机将聚合器任务分配给对应于给定事件的密钥空间。 考虑到这一点，我试图决定使用什么作为我的Fli

考虑具有以下架构的卷积神经网络： Standford的深度学习教程使用以下等式来实现这一点： 然而，在使用这个等式时，我面临以下问题： 我做错了什么？有人能解释一下如何通过卷积层传播错误吗？ 简单的MATLAB示例将受到高度赞赏。

我正在学习卷积神经网络，并试图弄清楚数学计算是如何发生的。假设有一个输入图像有3个通道(RGB)，所以图像的形状是28*28*3。考虑为下一层应用大小为5*5*3和步幅为1的6个过滤器。这样，我们将在下一层得到24*24*6。由于输入图像是RGB图像，每个滤波器的24*24图像如何解释为RGB图像，即每个滤波器的内部构造的图像大小为24*24*3？

我是卷积神经网络新手，对特征映射和如何在图像上进行卷积来提取特征有概念。我很高兴知道一些关于在CNN应用批量标准化的细节。 我知道什么是特征图和不同的元素是权重在每一个特征图。但我不能理解什么是位置或空间位置。 我完全不能理解下面的句子“在alg.1中，我们让B是一个特征映射中的所有值的集合，它跨越了一个小批处理的元素和空间位置。” 如果有人能用更简单的术语来解释我，我会很高兴的

我一直在从头开始创建卷积神经网络，对于如何对待隐藏卷积层的内核大小有点困惑。例如，假设我有一个图像作为并将其通过以下层。 卷积层，kernel_size=（5,5）并具有32个输出通道 吞吐量的新维度=(32,28,28) null 由于最初的输入是二维图像，我不知道如何对隐藏层进行卷积，因为现在的输入是三维的。

我知道这可能是一个相对通用的问题，但我正试图看看如何才能被指向正确的方向... 我试图用AWS Rekognition建立一个实时人脸识别应用程序。我对API很满意，并使用上传到S3的静态图像来执行面部识别。然而，我正试图找到一种将实时数据流到Rekognition的方法。在阅读了Amazon提供的各种文章和文档后，我发现了这个过程，但似乎无法克服一个障碍。 根据文档，我可以用Kinesis来完成