Ⅰ 基於keras框架編寫的圖片分類模型，訓練結果識別率98%以上，為什麼單張識別圖片類型會出錯
預測時你是怎麼做的？一般來講你的model訓練好了之後，參數就已經固定好了，此時直接調用model.predict就是在用訓練好的模型做預測，如果你不重新跑訓練過程，參數是不會變的。或者你可以model.save下次再model.load載入也可以。至於你說有時訓練acc是0，一般是在什麼情況下出現的？
Ⅱ 利用cnn分類圖像輸入是整張圖像嗎
訓練時最好先將圖片分塊，然後再用特徵核去做卷積；測試時可以直接輸入整張圖像的
Ⅲ CNN神經網路給圖像分類（Matlab）
你要看你的圖像是什麼。如果是彩色數字，先轉成灰度。用MNIST訓練網路。如果是各種主題，用彩色的imageNET訓練。如果你的數據量大到足以與數據集媲美，那麼直接用你的數據訓練網路即可。
在流行的數據集上訓練完，你需要固定卷積池化層，只訓練後面的全連接層參數，用你自己的數據集。
CNN一是調整網路結構，幾層卷積幾層池化，卷積的模板大小等。而是在確定結構上調整參數，weight scale，learning rate，reg等。
你用CNN做圖像分類，無非是把CNN當成學習特徵的手段，你可以吧網路看成兩部分，前面的卷積層學習圖像基本-中等-高層特徵，後面的全連接層對應普通的神經網路做分類。
需要學習的話，首先你去看UFLDL教程。然後cs231n
與其問別人，首先你看了imageNet數據集了嗎？
對於把流行數據集與自己數據混合訓練模型的方法。如果兩種數據十分相似，也未嘗不可。但是對於流行數據集而言，自己的標注數據量一般不會太大，如果是1：1000，1:100這種比例，那麼可能不加自己的數據，完全用數據集訓練的模型就能得到一個還好的結果。
如果自己的數據和數據集有些差別，那混在一起我認為自己的是在用自己的數據當做雜訊加到數據集中。cnn認為圖像是局部相關的，而欺騙CNN的方法則主要出於，自然圖像分布在一種流形結構中，訓練的模型需要這種流形假設，而人工合成的圖像由於添加非自然噪點，不滿足模型假設，所以能用肉眼難分辨的雜訊嚴重干擾分類結果。
如果二者相差過大，數據集是一種分布，你的數據是另一種，放到一起訓練，我沒試過，但我認為結果不會太好。
這時候只能把數據集用來訓練cnn的特徵提取能力。而後用於分類的全連接層，視你的數據量調整規模。
Ⅳ 卷積神經網路是不是按順序一張一張來訓練的
卷積神經網路（Convolutional Neural Network,CNN）是一種前饋神經網路，它的人工神經元可以響應一部分覆蓋范圍內的周圍單元，對於大型圖像處理有出色表現。[1]它包括卷積層(alternating convolutional layer)和池層(pooling layer)。
卷積神經網路是近年發展起來，並引起廣泛重視的一種高效識別方法。20世紀60年代，Hubel和Wiesel在研究貓腦皮層中用於局部敏感和方向選擇的神經元時發現其獨特的網路結構可以有效地降低反饋神經網路的復雜性，繼而提出了卷積神經網路（Convolutional Neural Networks-簡稱CNN）。現在，CNN已經成為眾多科學領域的研究熱點之一，特別是在模式分類領域，由於該網路避免了對圖像的復雜前期預處理，可以直接輸入原始圖像，因而得到了更為廣泛的應用。 K.Fukushima在1980年提出的新識別機是卷積神經網路的第一個實現網路。隨後，更多的科研工作者對該網路進行了改進。其中，具有代表性的研究成果是Alexander和Taylor提出的「改進認知機」，該方法綜合了各種改進方法的優點並避免了耗時的誤差反向傳播。
Ⅳ cnn訓練准確率很高，測試准確率很低（loss有一直下降）是為什麼
如果他的訓練准確度很高，那麼說明機器性能是沒有問題的，
但是測試准確率低可能是你們把機器拿來之後設置有問題。
Ⅵ 機器學習問題：一個訓練樣本一定要是一幅圖像嗎可以是一個像素嗎一個像素可以提取很多特徵嗎
要看你最終要達到什麼樣的目的。比如CNN網路以圖像為訓練樣本經過卷積變換，pooling,...,卷積變換，pooling最終得到一個一維向量作為一個訓練樣本進行訓練。其最終通過訓練大量圖片得到分類器模型。而這個模型可以用來進行圖像識別。
而你所說的一個像素，當然也可以作為訓練樣本，只是此時你可能最終的目標並不是進行圖像識別，也就是說你想要訓練得到的模型的用途就不是圖像識別了，可能可以是比如分類兩個像素點之間亮度是否相似，或者色調是否相似之類的問題。
一個像素點提取的特徵比如RGB值之類的都是可以的。只要是能夠獲得的信息，都可以作為特徵，但是你必須根據你自己最終的需求進行信息選擇。
個人也是初學者，有問題望交流指教。
Ⅶ BP神經網路分類 三個輸入兩個輸出，隱含層應選多少層，節點數多少為宜 還有訓練次數什麼的需要專門設置
現在還沒有什麼成熟的定理能確定各層神經元的神經元個數和含有幾層網路,大多數還是靠經驗,不過3層網路可以逼近任意一個非線性網路,神經元個數越多逼近的效果越好。
Ⅷ 二分類至少訓練多少次此才能完成分類
這個需要看
數據集的
大小
還有變化程度
Ⅸ 老師問我神經網路訓練了多少次，是不是就是迭代次數為多少就是訓練了多少次
是的，train_step每run一次就是訓練一次
Ⅹ faster rcnn 訓練迭代次數怎麼改
Caffe剛候我直再用前概用RCNNFast-RCNN, 目前等待Faster-rcnn代碼release!
答問題目前我已經基於Fast-rcnn實現caltech行檢測資料庫與kitti資料庫車輛與行檢測總說效非錯訓練速度與測試速度面都提升想要利用自數據必須要資料庫標簽改XML形式其基於自資料庫SS要先MATLAB運行保存起注意訓練與測試配置文件需要少量改具體改根據數據定