《昆仑万维》专题

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

如何在laravel 4下载数以千计的行excel。我使用Maatsite包。我得到以下错误。 [2016-10-20 11:22:00]当地。错误：异常“Symfony\Component\Debug\exception\FatalErrorException”，并显示消息“允许内存大小为524288000字节（已尝试分配4194304字节）”#0[内部函数]：lighting\exceptio

我想提供以下形状的神经网络输入：每个训练条目都是一个维度为700x10的2D数组。总共有204个训练条目。标签只是204大小的一维数组（二进制输出） 我试图只使用密集层： 但是我得到了以下错误（与第一层上的input\u形状无关，但在输出验证期间）： 204-训练数据量。 堆栈跟踪： 调试Keras代码时发现： 培训前验证失败。它验证输出数组。 根据神经网络的结构，第一个密集层以某种方式产生700

我正在尝试用Alpha-beta剪枝来实现Minimax，这是一款3D Tic-Tac-Toe游戏。然而，该算法似乎选择了次优路径。 例如，你可以通过直接跑过立方体的中间或穿过单板来赢得比赛。人工智能似乎选择了下一轮最佳的细胞，而不是当前一轮。 我尝试过重新创建并使用我返回的启发式算法，但没有取得多大进展。不管是哪一层，它似乎都有同样的问题。 代码在这里。 相关部分是和（以及'2'变体，这些只是我

我想基于使用TfidfVectorizer的矢量化单词进行多标签分类（20个不同的输出标签）。我已经设置了39974行，每行包含2739个项目（0或1）。 我想使用Keras模型对这些数据进行分类，该模型将包含1个隐藏层（~ 20个节点，激活='relu'），输出层等于20个可能的输出值（激活='softmax'以选择最佳拟合）。 以下是我目前的代码： 但有错误： ValueError：检查输入时

嘿，伙计们，我已经建立了一个有效的LSTM模型，现在我正在尝试（不成功）添加一个嵌入层作为第一层。 这个解决方案对我不起作用。在提问之前，我还阅读了这些问题：Keras输入解释：输入形状、单位、批次大小、尺寸等，了解Keras LSTM和Keras示例。 我的输入是一种由27个字母组成的语言的字符的单键编码（1和0）。我选择将每个单词表示为10个字符的序列。每个单词的输入大小是（10,27），我有

根据keras文件(https://keras.io/layers/convolutional/)Conv1D输出张量的形状为（batch\u size，new\u steps，filters），而输入张量的形状为（batch\u size，steps，input\u dim）。我不明白这是怎么回事，因为这意味着如果你传递一个长度为8000的1d输入，其中batch\u size=1，steps=

我有以下简单的数据集。它由9个特征组成，是一个二元分类问题。特征向量的示例如下所示。每行都有相应的0,1标签。 我知道CNN被广泛用于图像分类，但我正试图将其应用于我手头的数据集。我正在尝试应用5个大小为2的过滤器。鉴于这些数据的形状，我一直致力于以正确的方式构建网络。这是我构建网络的功能。 最后，我还将调用一个测试函数来测试我创建的模型的准确性。下面的函数试图实现这一点 当我建立模型并通过训练函

我得到这个错误： ValueError：检查输入时出错：预期序列有3个维度，但得到了形状为（500400）的数组 以下是我正在使用的代码。 输出（这里每行有500行）： 代码： 有什么见解吗？

当我读到一篇论文《批量规范化：通过减少内部协变量转移来加速深层网络训练》时，我想到了一些问题。 在报纸上，它说： 由于训练数据中的m个样本可以估计所有训练数据的均值和方差，因此我们使用小批量来训练批量归一化参数。 我的问题是： 他们是选择m个示例，然后同时拟合批次范数参数，还是为每个输入维度选择不同的m个示例集？ E、 g.训练集由x（i）=（x1，x2，…，xn）组成：固定批次的n维，执行所有拟

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。

张量流用tf实现了一个基本的卷积运算。nn。conv2d。 我特别感兴趣的是“步长”参数，它可以设置卷积滤波器的步长——每次移动滤波器的距离。 早期教程中给出的示例是，每个方向的图像步幅为1 链接文档中详细介绍了跨步数组： 具体来说，使用默认的NHWC格式。。。 必须有步幅[0]=步幅[3]=1。对于最常见的相同水平和顶点步幅的情况，步幅=[1，步幅，步幅，1]。 注意，“跨步”的顺序与NHWC格

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

根据tf.keras.layers.Conv3D的官方留档 如果data\u format='channels\u first'，带形状的5 D张量：batch\u shape（通道，conv\u dim1，conv\u dim2，conv\u dim3），如果data\u format='channels\u last'，带形状的5 D张量：batch\u shape（通道，conv\u dim

我想使用Batchnormalization来规范化批次维度，但keras中的批次维度自然是无维度的。那我该怎么办呢。 keras示例显示，conv2d的轴为-1，这表示通道尺寸。 轴：整数，应规格化的轴（通常是特征轴）。例如，在具有data\u format=“channels\u first”的Conv2D层之后，在BatchNormalization中设置axis=1。