我想实现一个变分自动编码器，它将一维Numpy数组（声音文件的波形）作为输入。运行该文件不会引发错误，但损失收敛到2000左右，并且重建看起来像纯粹的噪声。我使用了Goffinet等人的代码并尝试重写它以采用一维输入，因为我之前使用过他们的（二维）VAE。这是网络和转发功能的

我有一个数据集，其中包含3个特征、2个浮点特征和1个包含33个类别的分类特征。（此处称为Float_A、Float_B和Cat_A）。我正在尝试训练CVAE来生成合成数据。数据使用以下sklearn转换器进行转换：df=df[["float_A","float_B","categorical_A"]]transformers=[('floa

我有一个由3个conv2D层和ReLU激活组成的模型。它将标准化为区间[0,1]的灰度图像作为输入。输入图像有一些黑色区域、一些白色区域和其他区域。但是，输出动态范围被压缩到[0.4,0.401]。所有图像都是灰色的，即使在重新规范化将它们带回[0,255]之后也是如此。我有

我正在TensorFlow中训练暹罗网络进行图像配准，但遇到一个问题，所有变量的梯度均为None。该网络采用一对图像（固定和移动）并输出仿射参数将移动图像与固定图像对齐的变换。模型、损失函数和训练步骤定义如下：模型：importtensorflowastfimporttensorflow_addonsa

我正在研究语言任务的多类分类（4类），并使用BERT模型进行分类任务。我正在关注这篇博文NLP的迁移学习：微调BERT用于文本分类我的BERT微调模型返回nn.LogSoftmax(dim=1)我的数据非常不平衡，所以我使用了|||计算类别的权重并使用损失中的权重。

我正在尝试创建一个LSTM模型来检测时间序列数据中的异常情况。它需要5个输入并产生1个布尔输出（如果检测到异常则为True/False）。异常模式通常连续3-4个时间步长。与大多数LSTM示例不同，它们预测未来数据或对整个数据序列进行分类，我尝试在每个时间步输出True/False检

我是python机器学习的初学者，我正在编写一个程序，使图像变得嘈杂，然后我的程序输出重建的图像。我正在使用加性高斯白噪声并使用前馈神经网络。我的程序显示真实图像、噪声图像和重建图像。这些是我通常得到的结果。有人知道如何解决这样的问题吗？这是我的代码：ap