問題タブ [crf]
For questions regarding programming in ECMAScript (JavaScript/JS) and its various dialects/implementations (excluding ActionScript). Note JavaScript is NOT the same as Java! Please include all relevant tags on your question; e.g., [node.js], [jquery], [json], [reactjs], [angular], [ember.js], [vue.js], [typescript], [svelte], etc.
python - 長さ 1 のシーケンスを TensorFlow の tf.contrib.crf に渡すにはどうすればよいですか?
tf.contrib.crf長さ 1 のシーケンスをサポートしていないようです。
たとえば、https://github.com/tensorflow/tensorflow/tree/master/tensorflow/contrib/crf ( mirror ) で例を実行し、次のように置き換えnum_words = 20た場合num_words = 1:
エラーメッセージが表示されます：
num_words = 2またはnum_words = 5仕事。https://github.com/tensorflow/tensorflow/blob/e121667dc609de978a223c56ee906368d2c4ceef/tensorflow/contrib/crf/python/ops/crf.py#L121 ( mirror ) は既に 1 ずつ減分しています
sequence_length:
ただし、 に変更sequence_lengths = np.full(num_examples, num_words - 1, dtype=np.int32)しsequence_lengths = np.full(num_examples, num_words, dtype=np.int32)ても問題は解決しませんnum_words = 1。
CRF レイヤーが長さ 1 のシーケンスをサポートするように、この問題を修正するにはどうすればよいですか?
Windows 7 SP1 x64 Ultimate 上の TensorFlow 1.0.0 および Ubuntu 14.04.4 LTS x64 上の TensorFlow-GPU 1.0.0 でテスト済み。TensorFlow リポジトリに問題を作成しましたが、非アクティブのためにクローズされました: https://github.com/tensorflow/tensorflow/issues/7751 ( mirror )
crf - Wapiti CRF : モデル ファイルの理解とハード制約の強制
私は現在、Web ページ内の特定の製品名を検出するために Wapiti を使用しています。モデルをトレーニングしました。このモデルのより重要なルールの上位 10 個をリストしたいと思います (最大の重み (正または負) を持つルール)。
以下は、Wapiti のドキュメントから取得したトレーニング済みモデルの例です。
では、上記の 3 つのルールから、どれが最大の重みを持つかをどのように知ることができますか? ルール*:Pre-3 X='s,は番号「12」に関連付けられています。この数字は体重ですか？それとも以下の行への参照ですか？ただし、番号「12」はこれらの行には表示されません。
別の質問: 「ハード制約」を強制することは可能ですか? つまり、観察が見られるたびに、常に特定のタグを生成するというルールを作成します。
mallet - 以前のトークンのラベルを CRF の機能として使用するにはどうすればよいですか?
属性で条件付けられた機能を使用し、マレットでバイグラムにラベルを付ける方法を探しています。次のトークンのラベルを決定するための機能として、生成されたばかりのトークンのラベルをどのように使用できるかを理解しようとしていますか? トークンの特徴ベクトルは、以前に取得したトークンのラベルとして生成されますか?
CRF では、予測された前のラベルを次のトークンの機能として使用できると誤解していませんか?
前もって感謝します！
deep-learning - 画像セグメンテーションに勾配上昇を使用する
勾配上昇による顕著性マップを使用して画像セグメンテーションを行っています。プロセスのイメージは次のとおりです: http://imgur.com/a/h8vBZ
クラスを正確に予測できるトレーニング済みモデルがあります。次に、このモデルを使用して、勾配の上昇と損失を伴う入力画像の勾配を計算します。私にとって、ここで生成された勾配は、モデルが予測で何に焦点を合わせているかを表しています。
変位値フィルターを実行して、クラスに最も関連するグラデーション値 (ピクセル) を選択し、これからバイナリ マスクを生成します。これはうまく機能しますが、マップは画像内のクラスの周りでより正確でタイトになる可能性があることがわかります。より正確でスムーズなセグメンテーション結果を生成するメカニズムとして条件付きランダム フィールドについて読み、これを実装しようとしていますが、ここで生成される勾配を完全に理解していないように感じます。
私の質問は次のとおりです。この場合、グラデーションは正確に何を表していますか? 私の推測では、これらの値は基本的にピクセル レベルの予測/ピクセル ラベルです。これは単項ポテンシャルと同等ですか?