Moatasm Elshahry

أريد ان اعرف كيف يمكنني ترتيب القيم داخل القاموس بالقيمة value، كترتيب ال value بشكل تصاعدي او تنازلي علي سبيل المثال.

هل توجد طريقة في بايثون لاضافة key جديد على قاموس تم انشاؤه بالفعل؟ لقد بحثت كثيرا لكن لم اصل لاجابة.

لدي مصفوفة على الشكل : months=['January','February','March','April','May','June','July','August','September','October','November','December'] واريد تحويلها لتظهر على الشكل : months = {1:'January', 2:'February',....} قمت باستخدام enumerate() لكنها لم تفلح معي رغم اني اعرف انها يمكنها ان تفعل هذا فما الحل؟

داخل keras، هناك بعض النماذج المدربة مسبقا pretrained model مثل النموذج التالي: from keras.applications import VGG16 model = VGG16(weights='imagenet') واريد عمل اعادة تدريب له واضافة طبقات dropout ، مع العلم ان شكل النموذج كالتالي: Layer (type) Output Shape Param # Connected to ==================================================================================================== input_1 (InputLayer) (None, 3, 224, 224) 0 ____________________________________________________________________________________________________ block1_conv1 (Convolution2D) (None, 64, 224, 224) 1792 input_1[0][0] ____________________________________________________________________________________________________ block1_conv2 (Convolution2D) (None, 64, 224, 224) 36928 block1_conv1[0][0] ____________________________________________________________________________________________________ block1_pool (MaxPooling2D) (None, 64, 112, 112) 0 block1_conv2[0][0] ____________________________________________________________________________________________________ block2_conv1 (Convolution2D) (None, 128, 112, 112) 73856 block1_pool[0][0] ____________________________________________________________________________________________________ block2_conv2 (Convolution2D) (None, 128, 112, 112) 147584 block2_conv1[0][0] ____________________________________________________________________________________________________ block2_pool (MaxPooling2D) (None, 128, 56, 56) 0 block2_conv2[0][0] ____________________________________________________________________________________________________ block3_conv1 (Convolution2D) (None, 256, 56, 56) 295168 block2_pool[0][0] ____________________________________________________________________________________________________ block3_conv2 (Convolution2D) (None, 256, 56, 56) 590080 block3_conv1[0][0] ____________________________________________________________________________________________________ block3_conv3 (Convolution2D) (None, 256, 56, 56) 590080 block3_conv2[0][0] ____________________________________________________________________________________________________ block3_pool (MaxPooling2D) (None, 256, 28, 28) 0 block3_conv3[0][0] ____________________________________________________________________________________________________ block4_conv1 (Convolution2D) (None, 512, 28, 28) 1180160 block3_pool[0][0] ____________________________________________________________________________________________________ block4_conv2 (Convolution2D) (None, 512, 28, 28) 2359808 block4_conv1[0][0] ____________________________________________________________________________________________________ block4_conv3 (Convolution2D) (None, 512, 28, 28) 2359808 block4_conv2[0][0] ____________________________________________________________________________________________________ block4_pool (MaxPooling2D) (None, 512, 14, 14) 0 block4_conv3[0][0] ____________________________________________________________________________________________________ block5_conv1 (Convolution2D) (None, 512, 14, 14) 2359808 block4_pool[0][0] ____________________________________________________________________________________________________ block5_conv2 (Convolution2D) (None, 512, 14, 14) 2359808 block5_conv1[0][0] ____________________________________________________________________________________________________ block5_conv3 (Convolution2D) (None, 512, 14, 14) 2359808 block5_conv2[0][0] ____________________________________________________________________________________________________ block5_pool (MaxPooling2D) (None, 512, 7, 7) 0 block5_conv3[0][0] ____________________________________________________________________________________________________ flatten (Flatten) (None, 25088) 0 block5_pool[0][0] ____________________________________________________________________________________________________ fc1 (Dense) (None, 4096) 102764544 flatten[0][0] ____________________________________________________________________________________________________ fc2 (Dense) (None, 4096) 16781312 fc1[0][0] ____________________________________________________________________________________________________ predictions (Dense) (None, 1000) 4097000 fc2[0][0] ==================================================================================================== Total params: 138,357,544 Trainable params: 138,357,544 Non-trainable params: 0 ____________________________________________________________________________________________________ كيف يمكنني فعل هذا؟

انا احاول ان اقوم بعمل تبديل لطبقة Con2D باخري ممثالة لكن بدون bias. كذلك احاول اضافة BatchNormalization قبل اول طبقة activation. def keras_simple_model(): from keras.models import Model from keras.layers import Input, Dense, GlobalAveragePooling2D from keras.layers import Conv2D, MaxPooling2D, Activation inputs1 = Input((28, 28, 1)) x = Conv2D(4, (3, 3), activation=None, padding='same', name='conv1')(inputs1) x = Activation('relu')(x) x = Conv2D(4, (3, 3), activation=None, padding='same', name='conv2')(x) x = Activation('relu')(x) x = MaxPooling2D((2, 2), strides=(2, 2), name='pool1')(x) x = Conv2D(8, (3, 3), activation=None, padding='same', name='conv3')(x) x = Activation('relu')(x) x = Conv2D(8, (3, 3), activation=None, padding='same', name='conv4')(x) x = Activation('relu')(x) x = MaxPooling2D((2, 2), strides=(2, 2), name='pool2')(x) x = GlobalAveragePooling2D()(x) x = Dense(10, activation=None)(x) x = Activation('softmax')(x) model = Model(inputs=inputs1, outputs=x) return model if __name__ == '__main__': model = keras_simple_model() print(model.summary()) كيف استطيع ان اقوم بهذا؟

أنا احاول ان احصل على اوزان الطبقات في keras، قمت بكتابة الكود import tensorflow as tf import tensorflow.contrib.keras.api.keras.backend as K from tensorflow.contrib.keras.api.keras.layers import Dense tf.reset_default_graph() init = tf.global_variables_initializer() sess = tf.Session() K.set_session(sess) input_x = tf.placeholder(tf.float32, [None, 10], name='input_x') dense1 = Dense(10, activation='relu')(input_x) sess.run(init) dense1.get_weights() لمحاولة عمل هذا لكن تظهر لي تلك المشكلة: AttributeError: 'Tensor' object has no attribute 'weights' ما الحل لتلك المشكلة؟

أنا احاول ان استخدم keras لكن يظهر لي هذا الخطأ غير المفهوم AttributeError: 'module' object has no attribute 'computation' أريد أن اعرف كيف استطيع حله.

عندما أقوم بتشغيل الكود sess = tf.Session() في tensorflow 2 تظهر تلك الرسالة Traceback (most recent call last): File "<stdin>", line 1, in <module> AttributeError: module 'tensorflow' has no attribute 'Session' ما الحل في هذا؟

كيف يمكن تحويل tensor الي numpy array باستخدام tensorflow في بايثون.

لدي مسار ملفات يحتوى على عدد من الملفات بداخله والتى تحتوى على عدد من الصور، اريد تقسيم هذة الصور بين train و test باستخدام ImageDataGenerator في كيراس. قمت باستخدام الكود التالي لكن لا اعرف كيف اقسم ال training و ال testing : train_datagen = ImageDataGenerator(rescale=1./255, shear_range=0.2, zoom_range=0.2, horizontal_flip=True) train_generator = train_datagen.flow_from_directory( train_data_dir, target_size=(img_width, img_height), batch_size=32, class_mode='binary') model.fit_generator( train_generator, samples_per_epoch=nb_train_samples, nb_epoch=nb_epoch, validation_data=??, nb_val_samples=nb_validation_samples)

هل يمكن تشغيل keras على GPU بدلا من CPU وذلك لتسريع عملية التعلم؟

لقد قرأت مصطلح SVM وقرأت انه مهم في تعلم الالة ويعطي نواتج جيدة حاليا، لكني لم استطع فهمه جيدا.

لقد سمعت مصطلح الشبكات العصبونية المتكررة شكل متكررفي تعلم الألة، لكني لا أعرف ماذا يقصد به

لدي سؤال عن كيفية عمل الشبكة العصبونية التلافيفية (Convolutional Neural Network: CNN) وكيف تستطيع ان تتعلم.

قرأت مصطلح التعلم العميق كثيرا ولا أدري ما المقصود به والفرق بينه وبين تعلم الألة.