keras相同模型，相同输入，不同机器输出完全不同的原因！！

最新推荐文章于 2023-06-05 15:34:00 发布
最新推荐文章于 2023-06-05 15:34:00 发布
阅读量5k 收藏 2
点赞数 3
文章标签： keras
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u012571510/article/details/83992812
版权

问题关键：keras版本导致，不同机器keras版本不一致，将不同机器的keras版本保持一致就行了...

 最近在做一个以图搜图的项目，想到可以用keras的预训练模型提取特征，然后再计算各个图片特征的余弦距离。自己有差不多10万张图片，一开始在GPU服务器上提特征，然后将特征写在数据库里，在服务器上模拟识别效果还不错。然后自己在本地的电脑上模拟识别，先利用预训练模型提取特征然后再与GPU提取过的图片特征库进行比对，发现效果极差！

找了两天bug，发现了一个很难以置信的现象，同一张图片同一模型不同机器输出的结果相差极大！

然后发现了https://github.com/keras-team/keras/issues/7676这个网页，发现不止我一个人有这个现象..后来发现了GPU中keras版本为2.0.8，本地为2.20,将本地keras版本改为2.0.8，问题解决了..

果然版本控制真的是有道理的...

透明人类
关注
  • 3
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
人工智能 快速找出图像差异_一个小的组件，可让用户快速查看2张图像之间的差异
cuk5239的博客
07-20 1830
人工智能 快速找出图像差异 二十二十 (TwentyTwenty) Image comparison component, works with Vue.js 2.x 图像比较组件，可与Vue.js 2.x一起使用 A small component to quickly let users see the differences between 2 images. Based on the ...
keras分类模型中的输入数据与标签的维度实例
12-17
from keras.datasets import mnist (train_images, train_labels), (test_images, test_labels) = mnist.load_data() 初始数据维度： >>> train_images.shape (60000, 28, 28) >>> len(train_labels) 60000 >>> ...
相同的输入，相同的网络参数，不同的输出
qq_21769619的博客
04-23 1857
模块A下面有一个函数a(), 在A.py模块下面的模块测试代码if name == 'main’中调用a(x)产生的结果和在另一个模块B.py的某个函数中调用a(x),相同的输入x, a(x)产生的结果不一致。A.py和B.py的所在的目录不同. 来两张图： inputs是输入， net.mapper()是调用net.mapper网络模型的forward函数，最上面的那些显示不全的是net.mapper.state_dict()的结果。 从图片上可以看到，输入inputs相同，net.mapper.st
吴恩达神经网络和深度学习-学习笔记-24-在不同的划分上进行训练和测试+不匹配数据划分的偏差和方差
真理无穷，进一步有进一步的欢喜
07-21 425
深度学习算法对训练数据的胃口很大，当你收集到足够多的带标签数据构成训练集时，算法效果最好。 这导致很多团队用尽一切方法收集数据，然后把它们堆到训练集里，让训练的数据量更大。但是有些数据，甚至是大部分数据，都来自和开发集和测试集不同的分布。 所以深度学习时代，越来越多的团队都用和dev set、test set分布不同的数据来训练。 这里有一些微妙的地方，一些最佳做法来处理训练集training s...
不同的参数经过模型之后输出的参数相同时，则模型训练之后输出的参数必然相同
小姑仔的博客
09-09 803
今天在训练模型的时候出现了状况，不同的参数经过模型之后输出的预测数值相同。 model.eval() output = model(torch.tensor([[ 101, 403, 2033, 2011, 2151, 1003, 2017, 1005, 1040, 102], [ 101, 102 , 103, 104 , 105 , 106 , 107 , 108 , 109 , 112]]), torch.tensor([
【机器学习】模型又线上线下不一致怎么办？
fengdu78的博客
04-02 854
作者：杰少本文对于推荐系统中的采样评估指标进行了讨论，内容略多, 还有一些数学推导, 有兴趣的可以去阅读原文, 此处直接列出核心观点：在评估推荐算法的效果时,能不采样就不采样！除了AUC,Precision@K,Recall@K,Average Precision,NDCG都是不一致的,采样计算得到的结果和真实结果可能差很大!现在随机采样计算得到的评估指标的分数具有高偏差...
keras 模型参数,模型保存,中间结果输出操作
12-17
import keras from keras.models import Sequential from keras.layers import Dense from keras.models import Model from keras.callbacks import ModelCheckpoint,Callback import numpy as np import tflearn ...
keras 获取某层的输入/输出 tensor 尺寸操作
12-17
获取单输入尺寸，该层只被使用了一次。 import keras from keras.layers import Input, LSTM, Dense, Conv2D from keras.models import Model a = Input(shape=(32, 32, 3)) b = Input(shape=(64, 64, 3)) conv = ...
简单对比四台电脑对相同模型的训练速度
dujuancao11的博客
10-16 1025
型号为 i5-7200 CPU @ 2.50GHz 的 CPU 进行训练，训练了 25 次，速度大约为 791ms/step，每 epoch 平均 710s，训练缓慢。 第二次使用型号为 i7-77—HQ CPU @ 2.80GHz 的 CPU 进行训练，训练了 50次，速度为 454ms/step，每 epoch 平均 407s，训练依然缓慢。 第三次使用型号为NVIDIA Gefore GTX960M （算力5.0）的GPU 进行训练，训练了100次，速度为 55ms/step，每 epoch
使用同一个模型，测试不同数据集时遇到的问题
tyler的博客
03-22 2502
运行JointBert的代码来进行intent classification和slot filling时，我将atis数据集和snips数据集合并到了一起进行训练，之后因为选择了不同的数据集来测试，出现了一个问题：每次测试的结果都相同。 原因是每次test数据集时，模型都会调用处理好的特征文件。而我之前test时已经生成了一个特征文件，所以test新的数据时会使用旧的特征。 解决办法：删除之前的...
Keras重复运行结果不一致问题
qq_15138049的博客
03-24 2350
https://github.com/fchollet/keras/issues/2743 https://github.com/fchollet/keras/issues/2479 不同版本的keras,对同样的代码,得到不同结果的原因总结(http://www.cnblogs.com/dmzhuo/p/6214486.html) 用深度学习每次得到的结果都不一样,怎么办?(http://www.sohu.com/a/150686946_116235) 单独设置seed的方法适合于CPU，GPU不
iDNA-ABF：DNA甲基化可解释预测的多尺度深度生物语言学习模型
m0_52930699的博客
04-03 895
在这项研究中，我们提出了IDNA-ABF，一个多尺度的深度生物语言学习模型，能够仅基于基因组序列对DNA甲基化进行可解释的预测。基准比较表明，我们的IDNA-ABF在不同甲基化预测方面的性能优于最先进的方法。重要的是，我们展示了深度语言学习的力量，它可以从背景基因组中获取顺序和功能语义信息。此外，通过集成可解释的分析机制，我们很好地解释了模型所学到的内容，帮助我们建立了从发现重要的序列决定因素到深入分析它们的生物学功能的映射。关键词：DNA甲基化、深度学习、多尺度信息处理、可解释性分析。
Pytorch预训练模型相同输入输出不同解决方案
weixin_49895102的博客
10-26 1273
Pytorch预训练模型相同输入输出不同解决方案
【linux】服务器上跑代码与本地结果不同
最新发布
菜鸡踩的坑s
06-05 362
今天尝试在服务器上跑建好的模型，我这何止是结果不同，直接换了模型了。死活不知道是哪里出了错，先写个帖子。
pytorch中model.eval的作用
热门推荐
大山的专栏
05-09 3万+
pytorch中model.eval()的作用 问题描述： torch.onnx.export()导出onnx模型后，利用onnxruntime加载onnx模型后，其输出结果与原始.pth模型的输出结果之间存在很大的差距；通过拆分网络结构，定位到nn.BatchNorm2d()层导致； Batch Normalization和Dropout Batch Normalization 其作用对网络中间的每层进行归一化处理，并且使用变换重构（Batch Normalization Transform）保证每层提
模型每次跑的结果不同怎么办？
阿财是小白的博客
11-18 1万+
模型每次跑的结果不同怎么办？1、首先设置种子2、逐步检查3、可能出错的地方 我使用pytorch跑深度学习模型时发现每次跑的结果都不一样，所以在此总结了一下如何解决的方法。 1、首先设置种子 在代码中加入下面这个函数方法： def set_random_seed(seed, deterministic=False): random.seed(seed) np.random.seed(seed) torch.manual_seed(seed) torch.cuda.manual
神经网络模型训练集和测试集loss不下降原因汇总
十三
01-12 8227
1 训练的时候 loss 不下降 模型结构问题。当模型结构不好、规模小时，模型对数据的拟合能力不足。 训练时间问题。不同的模型有不同的计算量，当需要的计算量很大时，耗时也会很大 权重初始化问题。常用的初始化方案有全零初始化、正态分布初始化和均匀分布初始化等，合适的初始化方案很重要，之前提到过神经网络初始化为0可能会带来的影响 正则化问题。L1、L2以及Dropout是为了防止过拟合的，当训练集loss下不来时，就要考虑一下是不是正则化过度，导致模型欠拟合了。正则化相关可参考正则化之L1 & L2
keras 输出网络结构_TextCNN 模型完全解读及 Keras 实现
05-20
TextCNN 模型是一种用于文本分类任务的深度学习模型，它基于卷积神经网络的思想，能够有效地提取文本特征并进行分类。本文将详细介绍 TextCNN 模型的原理和实现，以及如何使用 Keras 来搭建和训练 TextCNN 模型。 ## TextCNN 模型的原理 TextCNN 模型主要由以下三个部分组成： 1. **词嵌入层（Embedding Layer）**：将文本中的每个词转换为一个向量表示，以便在后续的卷积层中进行处理。这里我们可以使用预训练的词向量模型（如 GloVe、Word2Vec 等）来初始化词嵌入矩阵，也可以随机初始化一个词嵌入矩阵并在训练过程中进行优化。 2. **卷积层（Convolutional Layer）**：对词嵌入矩阵进行卷积操作，以提取不同大小的文本特征。这里我们可以使用多个不同大小的卷积核来提取不同尺寸的特征，然后将它们拼接起来得到一个更加丰富的特征表示。 3. **池化层（Pooling Layer）**：对卷积层输出的特征矩阵进行池化操作，以减少特征维度并提高模型的泛化能力。这里我们可以使用最大池化或平均池化等不同的池化方式。 最后，将池化层的输出连接到一个或多个全连接层中，以进行文本分类或其他相关任务。 ## TextCNN 模型的 Keras 实现 在 Keras 中，我们可以通过定义一个 `Sequential` 模型，并添加不同的层来实现 TextCNN 模型。下面是一个简单的 TextCNN 模型的实现示例： ```python from keras.models import Sequential from keras.layers import Embedding, Conv1D, GlobalMaxPooling1D, Dense model = Sequential() # 添加词嵌入层 model.add(Embedding(input_dim=vocab_size, output_dim=embedding_dim, input_length=maxlen)) # 添加卷积层和池化层 model.add(Conv1D(filters=128, kernel_size=3, activation='relu')) model.add(GlobalMaxPooling1D()) # 添加全连接层和输出层 model.add(Dense(128, activation='relu')) model.add(Dense(num_classes, activation='softmax')) # 编译模型 model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) ``` 在上面的代码中，我们首先定义了一个 `Sequential` 模型，并添加了三个不同的层：词嵌入层、卷积层和池化层。其中，词嵌入层的输入维度为词汇表大小（`vocab_size`）；词嵌入矩阵的维度为 `embedding_dim`；输入序列的长度为 `maxlen`。卷积层和池化层的参数可以调整，以满足不同的文本特征提取需求。 接着，我们添加了一个全连接层和一个输出层，其中全连接层的输出维度为 `128`，激活函数为 ReLU；输出层的维度为分类数（`num_classes`），激活函数为 softmax。 最后，我们使用 `compile` 方法编译模型，并指定优化器、损失函数和评估指标。 ## 总结 TextCNN 模型是一种简单而有效的用于文本分类任务的深度学习模型，其主要思想是利用卷积神经网络来提取文本特征并进行分类。在 Keras 中，我们可以很方便地搭建和训练 TextCNN 模型，以满足不同的文本分类需求。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值