CIFAR 100 データセットで、densenet でヒンジ損失を使用しようとしています。学習はある点に収束し、その後は学習はありません。精度は、CrossEntropy 損失関数を使用した Densenet よりもはるかに低くなります。さまざまな学習率と重みの減衰を試しました。

ヒンジ損失で Densenet を適切にトレーニングできない理由についてのアイデアはありますか? Resnetでヒンジロスを問題なく使用できています。

次のディープ ラーニング CNN アーキテクチャを使用しようとしています: DenseNet169 & EfficientNet with transfer learning。次のライブラリを PyCharm にインストールし、次のインポート ライブラリを呼び出します。

そして、私は次のアーキテクチャを呼び出します。

事前トレーニング済みのモデルと重みのダウンロード

しかし、私は常に次のエラーメッセージを受け取ります:

DenseNet169 の場合: mask = node.output_masks[tensor_index] AttributeError: 'Node' オブジェクトに属性 'output_masks' がありません

keras.applications からの EfficientNetB5 のインポート EfficientNetB5 ファイル "C:\Users\QTR7701\AppData\Local\Programs\Python\Python37\lib\site-packages\effectivenet\initializers.py"、44 行目、呼び出しで return tf.random_normal( AttributeError: モジュール 'tensorflow' には属性 'random_normal' がありません

誰かが私を助けることができれば。

私は現在、初めてディープ q ラーニングを使用して複数の再帰型畳み込みニューラル ネットワークをトレーニングしています。

入力は 11x11x1 行列で、各ネットワークは次元が 3x3x16、3x3x32、3x3x64、3x3x64 の 4 つの畳み込み層で構成されます。私は stride=1 と padding=1 を使用しています。各 convLayer の後に ReLU アクティベーションが続きます。出力は、128 ユニットのフィードフォワード全結合密層に供給され、その後、同じく 128 ユニットを含む LSTM 層に供給されます。次の 2 つの高密度層は、個別のアドバンテージ ストリームとバリュー ストリームを生成します。

そのため、トレーニングは現在数日間実行されており、(関連する論文をいくつか読んだ後) 気付きましたが、(ほとんどの論文のように) 最初の高密度レイヤーの後にアクティベーション関数を追加していませんでした。追加するとネットワークが大幅に改善されるのでしょうか? 私は大学のネットワークをトレーニングしているので、仕事の締め切りがあるため、無制限にトレーニングする時間はありません。ただし、ニューラル ネットワークのトレーニングの経験が十分ではないため、何をすべきかを判断できません... 何を提案しますか? 私はすべての答えに感謝しています!

Keras ライブラリで DenseNet121 CNN を使用しており、画像を予測するときに特徴マップを視覚化したいと考えています。私たちが独自に作成したCNNでそれが可能であることを私は知っています。

DenseNet のような Keras で利用可能なモデルでも同じことですか?