我正在尝试为音频分类建立2D CNN模型。我的输入数据具有26个要素和具有7个类的多类因变量。我的总记
我想在没有任何预训练模型的情况下训练自己的FCN模型以进行训练，并生成深度图。
正在创建数据
我正在尝试为灰度MRI数据的二进制分类构建3D CNN。我是新来的，所以不要一拳了，我在这里学习！我有20
应用CNN后，我试图查看预测的蒙版。
图像有420行和580列。
我已经能够做到<a href="https://i.stack.imgur.com/6vtO
我看到一个数独求解器CNN使用TensorFlow框架将稀疏的分类交叉熵用作损失函数，我想知道Pytorch是否有类似
我得到了ValueError：检查输入时出错：期望input_17的形状为（1000，），但数组的形状为（32，）。我真的
我是初学者，需要编写代码以将数据集连接到我在Github中发现的模型的指导。
我的数据集如下：<st
我正在使用一层从图像中提取特征。旧层是
<pre><code>self.conv = nn.Conv2d(3, 64, kernel_size=3, stride=2, padding=1,
我有一个单词嵌入的句子列表。所以每个句子都是16 * 300的矩阵，所以它是2d张量。我想将它们连接到3d
我只是想了解这段代码的确切作用，但我不太确定。任何帮助将不胜感激。
<pre><code>from keras.layers impo
我已经定义了链接中给出的注意力模型
<a href="https://stackoverflow.com/questions/63071082/invalidargumenterror-in-model-f
有2550张图像作为训练集，有1530张图像作为测试集。为了将这些图像分为两类，使用了包括CNN2D + LSTM的混
我的图像很大，图像中的多个事件可能会影响分类。我正在考虑将大图像分成小块，并从每个块中获取
据说使用卷积层而不是FC层不会减少。可训练的参数。
对此我有疑问。以最大池化后VGG 16的最终卷
我正在使用Python 3.7.7。和Tensorflow 2.3.0。
我想从U-Net网络中提取编码器并将其添加为<code>GlobalAveragePo
我已经使用Keras建立了一个完全卷积的网络。我也这样做了，所以输入大小不是固定的-也就是说，我将
我目前正在尝试使用.FITS图像文件来训练CNN（EfficientNet），但是我认为这也适用于其他图像类型。这种图
我正在尝试从张量流模型获取grad，但输出始终为None。我在做什么错了？
这是我的代码：
<pre><co
我仅使用Pytorch张量和矩阵运算功能从头开始创建了CNN，希望利用GPU。令我惊讶的是，GPU的利用率仍为0％
所以，我是一个初学者，正在从事一个基础项目。我正在尝试使用Keras，但遇到了一个奇怪的错误。尝试
