Ich kaufe ein benutzerdefiniertes Modell mit Keras (Keras 3.3.3 mit Python 3.9.19) und ich möchte den Impuls meiner Batchnormalisierung Schichten während des Trainings erhöhen. Verwenden einer benutzerdefinierten Trainingsschleife. self.bn_momentum = tf.variable (bn_momentum, trainable = false) , übergeben Sie es an meine Ebenen und aktualisieren Sie es mit einem Rückruf während des Trainings. Wenn Sie jedoch versuchen, eine keras zu verwenden.Variable Ich erhalte die folgende Fehlermeldung:
TypeError: Exception encountered when calling CustomClassifier.call().
float() argument must be a string or a number, not 'Variable'
Ich habe also versucht, die Keras.Variable zu entfernen und stattdessen einen einfachen Float zu verwenden. Das Training scheint damit einverstanden zu sein, aber ich vermute, dass nichts unter der Motorhaube passiert. Reproduzierbares Beispiel: < /p>
Ich kaufe ein benutzerdefiniertes Modell mit Keras (Keras 3.3.3 mit Python 3.9.19) und [url=viewtopic.php?t=14917]ich möchte[/url] den Impuls meiner Batchnormalisierung Schichten während des Trainings erhöhen. Verwenden einer benutzerdefinierten Trainingsschleife. self.bn_momentum = tf.variable (bn_momentum, trainable = false) , übergeben Sie es an meine Ebenen und aktualisieren Sie es mit einem Rückruf während des Trainings. Wenn Sie jedoch versuchen, eine keras zu verwenden.Variable Ich erhalte die folgende Fehlermeldung: [code]TypeError: Exception encountered when calling CustomClassifier.call().
float() argument must be a string or a number, not 'Variable' [/code] Ich habe also versucht, die Keras.Variable zu entfernen und stattdessen einen einfachen Float zu verwenden. Das Training scheint damit einverstanden zu sein, aber ich vermute, dass nichts unter der Motorhaube passiert. Reproduzierbares Beispiel: < /p> [code]import numpy as np import keras from keras import layers
x = self.dense(x) x = self.bn(x, training=training)
return self.activation(x)
class BatchNormalizationMomentumScheduler(keras.callbacks.Callback): """The decay rate for batch normalization starts with 0.5 and is gradually increased to 0.99."""
# Generate random data X = np.random.random((1024, 8)) y = np.random.choice([0, 1, 2, 3], 1024)
# Instanciate and train model model = CustomClassifier() model.build((64, 8)) model.summary() model.compile(loss="sparse_categorical_crossentropy", optimizer="adam") history = model.fit(X, y, epochs=10, callbacks=[BatchNormalizationMomentumScheduler()])
# Check final print("Model momentum after training:", model.bn_momentum)
Ich möchte ein ML-Modell erstellen, das handgeschriebene Ziffern aus dem MNIST-Datensatz erkennt. Das ML-Modell ist in C++ unter Verwendung der OpenCV-Bibliothek geschrieben. Nachdem ich das Modell...
Ich versuche, das Blenderbot-Modell facebook/blenderbot-90m auf einer Reihe von Fragebögen basierend auf meinem Eingabe-JSON zu trainieren.
Das Beispiel-JSON (Snippet) sieht so aus dies:
Ich habe an einem NLP-Hackathon teilgenommen, um die Ner_tags vorherzusagen, aber ich kann den Datenrahmen anscheinend nicht zum Trainieren des Modells verwenden, es heißt: KeyError und
öffne den...
Ich habe seit Januar einige CNNs auf Colab mit Tensorflow und TensorFlow-io trainiert. Das Training eines Modells dauerte vor ein paar Monaten mehr oder weniger 30 Minuten. Jetzt, seit einigen...
Ich versuche, das Yolov9e-SEG-Modell auf 336 Gesamtbildern der Größe 4096x4096 zu trainieren, die im Verhältnis 80:20 in Zug und Val aufgeteilt wurden. Früher hatte ich auch im Trainingsteil Fehler,...