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.