问题标签 [efficientnet]

[karas 和使用 EfficientNet 发生错误这是我得到的错误] 2

我试过： - 导入 tensorflow.python.keras.utils 作为 generic_utils 安装的分段模型也

如何计算以下混淆矩阵的精度 f1 分数和召回率？

我想为基于 EfficeintNet B3 构建的模型绘制类激活图。但是当我遵循不同来源的不同教程和代码时，它根本就失败了......

无法构建 grad_model

ValueError: Graph disconnected: cannot get value for tensor KerasTensor(type_spec=TensorSpec(shape=(None, 300, 300, 3), dtype=tf.float32, name='input_1'), name='input_1', description="在“stem_conv”层由“input_1”层创建。访问以下先前层没有问题：[]

这是模型：

我训练了效率网络模型（要精确的效率网络B2），保存它，但在加载和评估具有相同测试数据集的模型后得到不同的准确度结果。仅将其保存为 h5py 会得到相同的准确度结果，但我无法从 kaggle 工作区下载 h5py。谢谢。

我正在使用 EfficientNet 来提取特征，并尝试在预训练模型中添加一个全连接层，以将 out-features 的维度从efficientnet 减少到 512。当特征通过层或函数时遇到以下错误我定义的。

“类型错误：1 个位置参数，但给出了 2 个”

这是我尝试过的代码：

以下代码显示了我如何定义 Class BaseModel(object)。

非常感谢您提前。

类 BaseModel（对象）：

def load_model(): 返回 BaseModel()

ValueError: could not broadcast input array from shape (128,128,3) into shape (128,128,3,3) net_final.fit 问题

我正在尝试堆叠两个高效的NetB7 模型，如下面的链接所示： https ://machinelearningmastery.com/stacking-ensemble-for-deep-learning-neural-networks/ 。但我收到以下错误

ValueError：名称“efficientnet-b7_input”在模型中使用了 2 次。所有图层名称都应该是唯一的。

任何帮助表示赞赏。提前致谢..

知道 EfficientNet-B0 中的总层数为 237，而 EfficientNet-B7 中的总层数为 813，那么 EfficientNetB2 中的总层数是多少？

我正在运行rknn 工具包来构建在 RK3566 上运行的 model.rknn。rknn.load_onnx()成功后，运行rknn.build()，出现如下错误信息：

我检查了我的源代码，我没有在任何地方使用全局平均池。实际上，我确实通过将它们分配为 Identity 来明确删除包含 global_pool 的最后两层 basenet（高效网络），如下所示：

所以我很困惑为什么 rknn.build() 会抱怨全球平均池。

谁能帮我指出潜在的原因和可能的解决方法？

非常感谢您提前提供的帮助。

TL；DR - 只有 resnet50 可以按预期进行训练，而高效 b4 和 inception_v3 在某些时候卡住了。

我一直在尝试制作自己的项目并对 Kaggle 进行预测 - 面部关键点检测https://www.kaggle.com/c/facial-keypoints-detection

我使用预训练的 Resnet50 取得了一些不错的结果，并在测试集上排名第五，我尝试通过将模型更改为efficientnet_b4 来做出更准确的预测。

不幸的是，出了点问题。我的训练在训练集和验证集的高损失约 15 个 epoch 后卡住了，训练损失稳定在 16 左右，而 val 损失是出乎意料的。（为了比较，resnet 的训练损失为 0.2，验证损失为 0.08）。

这是模型代码（来自我的 git 中的 src-Models-Adjusted_model.py） - 这是不同模型训练之间唯一改变的东西：

这是我的训练代码（src-Models-train_model.py）：

这是我的 git 存储库，带有完整的源代码https://github.com/Bar-A-94/Facial-keypoints-detection

我想到的不同检查/错误：

• 硬编码 resnet - 我调试了我的训练，但没有发现模型有任何变化。
• 过度拟合——我试图对 5 张图像进行过度拟合——resnet 的训练损失为 0.05，而其他的训练损失则被困在 3 左右。
• 自定义损失效果 - 我尝试采用常规 RMSE 而不是我的自定义 RMSE，结果相同
• 非常宽的局部最小值 - 我也尝试仅采用模型的结构（预训练 = False）并再次获得相同的结果
• 特定模型有问题 - 我试图采用另一个（inception_v3）相同的结果。
• 试图改变初始学习率 - 结果相同