Ⅰ 基于keras框架编写的图片分类模型，训练结果识别率98%以上，为什么单张识别图片类型会出错
预测时你是怎么做的？一般来讲你的model训练好了之后，参数就已经固定好了，此时直接调用model.predict就是在用训练好的模型做预测，如果你不重新跑训练过程，参数是不会变的。或者你可以model.save下次再model.load加载也可以。至于你说有时训练acc是0，一般是在什么情况下出现的？
Ⅱ 利用cnn分类图像输入是整张图像吗
训练时最好先将图片分块，然后再用特征核去做卷积；测试时可以直接输入整张图像的
Ⅲ CNN神经网络给图像分类（Matlab）
你要看你的图像是什么。如果是彩色数字，先转成灰度。用MNIST训练网络。如果是各种主题，用彩色的imageNET训练。如果你的数据量大到足以与数据集媲美，那么直接用你的数据训练网络即可。
在流行的数据集上训练完，你需要固定卷积池化层，只训练后面的全连接层参数，用你自己的数据集。
CNN一是调整网络结构，几层卷积几层池化，卷积的模板大小等。而是在确定结构上调整参数，weight scale，learning rate，reg等。
你用CNN做图像分类，无非是把CNN当成学习特征的手段，你可以吧网络看成两部分，前面的卷积层学习图像基本-中等-高层特征，后面的全连接层对应普通的神经网络做分类。
需要学习的话，首先你去看UFLDL教程。然后cs231n
与其问别人，首先你看了imageNet数据集了吗？
对于把流行数据集与自己数据混合训练模型的方法。如果两种数据十分相似，也未尝不可。但是对于流行数据集而言，自己的标注数据量一般不会太大，如果是1：1000，1:100这种比例，那么可能不加自己的数据，完全用数据集训练的模型就能得到一个还好的结果。
如果自己的数据和数据集有些差别，那混在一起我认为自己的是在用自己的数据当做噪声加到数据集中。cnn认为图像是局部相关的，而欺骗CNN的方法则主要出于，自然图像分布在一种流形结构中，训练的模型需要这种流形假设，而人工合成的图像由于添加非自然噪点，不满足模型假设，所以能用肉眼难分辨的噪声严重干扰分类结果。
如果二者相差过大，数据集是一种分布，你的数据是另一种，放到一起训练，我没试过，但我认为结果不会太好。
这时候只能把数据集用来训练cnn的特征提取能力。而后用于分类的全连接层，视你的数据量调整规模。
Ⅳ 卷积神经网络是不是按顺序一张一张来训练的
卷积神经网络（Convolutional Neural Network,CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。[1]它包括卷积层(alternating convolutional layer)和池层(pooling layer)。
卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络（Convolutional Neural Networks-简称CNN）。现在，CNN已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。 K.Fukushima在1980年提出的新识别机是卷积神经网络的第一个实现网络。随后，更多的科研工作者对该网络进行了改进。其中，具有代表性的研究成果是Alexander和Taylor提出的“改进认知机”，该方法综合了各种改进方法的优点并避免了耗时的误差反向传播。
Ⅳ cnn训练准确率很高，测试准确率很低（loss有一直下降）是为什么
如果他的训练准确度很高，那么说明机器性能是没有问题的，
但是测试准确率低可能是你们把机器拿来之后设置有问题。
Ⅵ 机器学习问题：一个训练样本一定要是一幅图像吗可以是一个像素吗一个像素可以提取很多特征吗
要看你最终要达到什么样的目的。比如CNN网络以图像为训练样本经过卷积变换，pooling,...,卷积变换，pooling最终得到一个一维向量作为一个训练样本进行训练。其最终通过训练大量图片得到分类器模型。而这个模型可以用来进行图像识别。
而你所说的一个像素，当然也可以作为训练样本，只是此时你可能最终的目标并不是进行图像识别，也就是说你想要训练得到的模型的用途就不是图像识别了，可能可以是比如分类两个像素点之间亮度是否相似，或者色调是否相似之类的问题。
一个像素点提取的特征比如RGB值之类的都是可以的。只要是能够获得的信息，都可以作为特征，但是你必须根据你自己最终的需求进行信息选择。
个人也是初学者，有问题望交流指教。
Ⅶ BP神经网络分类 三个输入两个输出，隐含层应选多少层，节点数多少为宜 还有训练次数什么的需要专门设置
现在还没有什么成熟的定理能确定各层神经元的神经元个数和含有几层网络,大多数还是靠经验,不过3层网络可以逼近任意一个非线性网络,神经元个数越多逼近的效果越好。
Ⅷ 二分类至少训练多少次此才能完成分类
这个需要看
数据集的
大小
还有变化程度
Ⅸ 老师问我神经网络训练了多少次，是不是就是迭代次数为多少就是训练了多少次
是的，train_step每run一次就是训练一次
Ⅹ faster rcnn 训练迭代次数怎么改
Caffe刚候我直再用前概用RCNNFast-RCNN, 目前等待Faster-rcnn代码release!
答问题目前我已经基于Fast-rcnn实现caltech行检测数据库与kitti数据库车辆与行检测总说效非错训练速度与测试速度面都提升想要利用自数据必须要数据库标签改XML形式其基于自数据库SS要先MATLAB运行保存起注意训练与测试配置文件需要少量改具体改根据数据定