如何在张量流中使用非图像输入进行卷积神经网络？
How to use non-image input for conv-neural network in tensorflow?
我有一个数据集 ([n][13]) 如：
1) -3.3 -15.0 41 1026.3 16.1 0 25.9 37.0 0 0 0 280 0
2) -3.9 -13.9 46 1028.0 16.1 0 20.4 0 0 0 0 280 0
3) -3.9 -13.3 49 1028.8 16.1 0 22.2 0 0 0 0 270 0
4) -4.4 -12.2 55 1029.5 16.1 0 11.1 0 0 0 0 260 0
...
n) -1.1 -10.6 49 1030.0 16.1 0 14.8 0 0 0 0 280 0
使用这个数据集，我想在 Tensorflow 中创建一个卷积神经网络并进行预测。
我知道卷积神经网络实际上是用于图像的，但我看到了一些非图像输入的示例。
我可以使用这些数据创建卷积神经网络吗？如何创建？你能给我任何线索或教程或资源吗？
这看起来不像是适合 convnet 的数据 - convnet 假设在本地共享权重是有意义的，因此当数据中存在某种形式的局部性时它们是有意义的。因此，如果一个特征与 "nearby" 个特征存在联系，那么对于图像以外的其他事物是有意义的——例如在时间序列或音频中，相邻的特征发生在附近的时间点。您的数据看起来像列未连接（即使在不同的尺度上）。
你的数据也确实是低维的，所以如果你想采用深度学习方法，你可以只使用完全连接的层 - 我也会尝试对你的数据使用其他方法（增强和随机森林） ).
实际上，我正在尝试从低维数据训练深度学习模型，正好是 8 个特征。
我设计了 11 层神经网络。
然而，与之前用朴素贝叶斯算法训练的模型相比，它并没有表现出太大的不同。
和你一样，我也想通过动手实验学习神经网络算法。
不管怎样，我想告诉你的一件事是你应该规范化你的数据以具有相同的缩放比例。否则，神经网络将不会收敛。
我有一个数据集 ([n][13]) 如：
1) -3.3 -15.0 41 1026.3 16.1 0 25.9 37.0 0 0 0 280 0
2) -3.9 -13.9 46 1028.0 16.1 0 20.4 0 0 0 0 280 0
3) -3.9 -13.3 49 1028.8 16.1 0 22.2 0 0 0 0 270 0
4) -4.4 -12.2 55 1029.5 16.1 0 11.1 0 0 0 0 260 0
...
n) -1.1 -10.6 49 1030.0 16.1 0 14.8 0 0 0 0 280 0
使用这个数据集，我想在 Tensorflow 中创建一个卷积神经网络并进行预测。
我知道卷积神经网络实际上是用于图像的，但我看到了一些非图像输入的示例。
我可以使用这些数据创建卷积神经网络吗？如何创建？你能给我任何线索或教程或资源吗？
这看起来不像是适合 convnet 的数据 - convnet 假设在本地共享权重是有意义的，因此当数据中存在某种形式的局部性时它们是有意义的。因此，如果一个特征与 "nearby" 个特征存在联系，那么对于图像以外的其他事物是有意义的——例如在时间序列或音频中，相邻的特征发生在附近的时间点。您的数据看起来像列未连接（即使在不同的尺度上）。
你的数据也确实是低维的，所以如果你想采用深度学习方法，你可以只使用完全连接的层 - 我也会尝试对你的数据使用其他方法（增强和随机森林） ).
实际上，我正在尝试从低维数据训练深度学习模型，正好是 8 个特征。 我设计了 11 层神经网络。 然而，与之前用朴素贝叶斯算法训练的模型相比，它并没有表现出太大的不同。 和你一样，我也想通过动手实验学习神经网络算法。 不管怎样，我想告诉你的一件事是你应该规范化你的数据以具有相同的缩放比例。否则，神经网络将不会收敛。