我使用tensorflow在我的数据集上训练一个简单的两层RNN。训练曲线如下图所示： 其中，x轴是步骤（在一个步骤中，使用batch_size样本数更新净参数），而y轴是精度。红、绿、蓝线分别表示训练集、验证集和测试集的准确度。似乎训练曲线并不平滑，并且有一些腐败的变化。这合理吗 这绝对没问题，因为您使用的是SGD。总的趋势是，随着使用的小批量数量的增加，您的准确度会增加，但是，一些小批量可能与大多数其他小批量显著“不同”，因此它们的准确度可能会很差。这是绝对正确的，因为您使用的是SGD。总

我一直在努力学习如何在tensorflow中编写RNN和LSTM。我在这篇博文的网上找到了一个例子 下面是我在理解最终用于字符rnn生成的LSTM网络时遇到的问题 x = tf.placeholder(tf.int32, [batch_size, num_steps], name='input_placeholder') y = tf.placeholder(tf.int32, [batch_size, num_steps], name='labels_placeholder'

我不熟悉tensorflow分布式运行时和图形调度。现在我们有30组稀疏特征，所有这些特征都需要进行嵌入查找。关于ps和工人之间的沟通，我有两个问题 如果我们使用一个嵌入查找调用将这30个组合并为一个组和查找参数，效率会更高吗？如果我们将它们保留为30个单独的组并调用30个调用，tensorflow运行时是否会检测到它并将张量发送给ps，并通过批处理从ps接收张量 我的理解是，若工人并没有更多的工作要做，工人将等待参数响应。既然我们经常使用一个python循环来驱动图形运行，那么如何驱动tens

它似乎只支持CUDA而不支持OpenCL 我看过这个项目，它将CUDA代码编译成OpenCL，但它仍然是一个开发版本，并非在所有情况下都能工作 我的问题是，TensorFlow的开发者Google是否会开发其工具的多平台版本（不，我不是指仅CPU版本）。专有CUDA的功能对于专注于单个GPU供应商来说是否如此关键？是否有计划在将来的任何时候开发OpenCL/Vulkan/SPIR-V版本？答案显然是肯定的，Tensorflow在过去几周开始支持OpenCL SYCL，仍然在github主分支中，

我想从一个子图（由几个连接的操作节点组成）组装一个新操作。然后在新操作上应用自行设计的梯度。（重点是忽略子图中的梯度流，忽略新OP输出张量到新OP输入张量的桥梯度）。希望有人能帮忙 您可以将子图包装到TensorFlow函数中，并为该函数指定自定义梯度，如中所述 我在github上跟踪了您：） @function.Defun(dtype, dtype, dtype) def XentLossGrad(logits, labels, dloss): dlogits =

我有一个自定义TensorFlow操作，它当前位于/TensorFlow/core/user_ops中，并使用tf_自定义_op_库BUILD中的bazel函数。我想将它从TF源代码树中分离出来，并在一个独立的存储库中发布。我如何编译这样的操作？通常您会将TensorFlow作为一个外部依赖项，但现在有一个问题使得这不可能实现——还有另一个问题，bazel.select（）函数对它定义的工作区不敏感，有一堆bazel。在自定义\u op/cuda规则中选择——我们一直在TF源代码树中构建东西，然

我建立了一个类似于CIFAR10的GPU实现的tensorflow模型。我有一个基本模型，当网络变量在CPU上时，它在每个GPU上执行。只要我不使用稀疏张量作为层中的权重矩阵，一切都很好 我的稀疏权重矩阵是使用函数tf.sparse\u to\u densite（）或tf.diag（）构建的。当我在CPU上运行它时，一切正常，但当我在GPU上运行它时，我得到的信息是，这些函数没有GPU实现 还有别的选择吗？如何构造位于CPU上但在GPU上经过训练的稀疏权重矩阵？您可以在GPU中实现这些操作，并让

我有一个形状为（1）的浮点张量，它的值介于0.0和1.0之间。 我想“bin”这个张量的范围，如： if 0.0 < x < 0.2: return tf.Constant([0]) if 0.2 < x < 0.4: return tf.Constant([1]) if 0.4 < x < 0.6: return tf.Constant([2]) if 0.6 < x: return tf.Constant([3]) 如果0.

我创建了一个简单的TensorFlow程序，尝试使用正文中的前3个字符预测下一个字符 单个输入可能如下所示： np.array(['t','h','i']) ... logits = tf.layers.dense(states, units=vocab_size, activation=None) weights = tf.sequence_mask(seq_length, n_steps) xentropy = tf.contrib.seq2seq.sequence_loss(logits

我一直在尝试编写一个自定义运算，并希望修改输入张量。我浏览了代码，在op_kernel.cc 但是，返回类型是值，而不是引用。我尝试过对其进行修改，但效果并未反映在输入中 如果打算按值返回，那么作者为什么要使用record\u tensor\u reference（tensor）增加引用计数 （顺便说一句，我已经对代码进行了重新分解，因此我不一定需要更改op中的输入。但我仍然期待着答案）如果输入数据在CPU上，并且操作员在GPU上注册，tf会将输入复制到GPU内存中，因此可变_输入的返回指针指向

tendsorflow分布对象返回大于1的概率值是否有任何原因 这是我的代码的基本结构 NN（输入）是一种神经网络 μ，σ=NN（输入） d=分布。正态分布（μ，σ） （获取目标的概率。） probs=d.prob（目标） 其中mu、sigma和目标是形状[批次大小，1] probs大约从0.5开始，随着模型列车的运行，probs逐渐增加，直到最后高达8 你能发布或链接足够的代码来重现你描述的情况吗？这会有很大的帮助。当你应该重做hanks的时候，你似乎在积累价值！我编辑了原文。我不确定将ten

我正在编写TensorFlow（python）逻辑来确定张量的最后一个维度是1还是5。如果张量是标量，则此表达式应为false。在图构造时，张量的形状是未知的 给定张量输入，我已经试过了 tf.logical_and( # The tensor must not be a scalar. tf.greater(tf.rank(input), 0), # Check the last dimension. tf.logical_or( tf.equal(tf.shape(i

我正在运行tensorflowOnSpark，其中有1个namenode和4个DataNode 每个数据节点有4个Titan xp（总共16个GPU） 对于每个数据节点，“Hello Tensorflow”的运行方式如下所示 Python 3.5.2 (default, Feb 7 2018, 11:42:44) [GCC 5.4.0 20160609] on linux Type "help", "copyright", "credits" or "license" for more in

我是tensorflow的初学者，已经建立了一个对名字进行分类的模型。乍一看，虽然精度仍然太低（~92%），但曲线的形状看起来不错（精度迅速提高，损耗迅速下降） 如果我在训练后直接使用模型进行预测（使用相同的会话），它将返回预期的概率向量（介于0和1之间）（正如我在最后一层中使用softmax） 输出为： [0.38823529411764707, 0.40784313725490196, 0.3803921568627451, 0.43137254901960786, 0.4039215686

您好，我有一个tensorflow模型，我用大约300张图片指导它，培训在Google云中进行，我在那里识别它并向我的服务器发送响应。问题是，数据量是否会影响识别速度，也就是说，如果我训练3000张图片，识别速度是否会更快？否，您的识别速度仅取决于您的计算图 识别的准确性取决于所使用的训练图像 否，您的识别速度仅取决于您的计算图表 识别的准确性取决于所使用的训练图像 感谢您的回答，奇怪的是云的识别时间比本地长3倍，关于性能，您可以检查此云以提高性能问您答案，奇怪的是云的识别时间比本地长3倍，关于

给定形状为Nx2的张量，如何从该张量中选择类似于np.random.choice的k元素（概率相等）？另一点需要注意的是，N的值在执行过程中动态变化。意思是说我在处理一个动态大小的张量。你可以把np.random.choice包装成tf.py\u func。例如，请参见此示例。在本例中，需要展平张量，使其成为长度为2*N的数组： import numpy as np import tensorflow as tf a = tf.placeholder(tf.float32, shape=[No

我使用的是Tensorflow 1.8.0 我希望y2的输出与y1类似，因为y2使用与y1相同的LSTM单元，只是它也通过一个退出层。由于只在LSTM单元的输出上应用了漏值，因此我认为y2的值将与y1的值相同，只是有些零零。但这就是我为y1所得到的： import tensorflow as tf import tensorflow.contrib.eager as tfe tfe.enable_eager_execution() x = tf.range(1, 11, dtype=tf.f

我有一个输出Softmax的模型，我想开发一个自定义损耗函数。理想的行为是： 1） Softmax设置为1 hot（通常我使用numpy.argmax（Softmax_vector）并在空向量中将该索引设置为1，但在丢失函数中不允许这样做） 2） 将生成的一个热向量乘以我的嵌入矩阵，得到一个嵌入向量（在我的上下文中：与给定单词关联的单词向量，其中单词已标记并分配给索引或Softmax输出的类） 3） 将该向量与目标进行比较（这可能是正常的Keras损失函数） 我通常知道如何编写自定义损失函数，但

我有一个tensorflow图，它试图将一个图像分割成三个单通道图像 input_image = tf.placeholder(name="input_image", dtype=tf.float32, shape=[512 * 512 *3]) feed_dict ={input_image:resized_image_data} channel_image = tf.reshape(input_image, (512, 512, 3)) 我切片张量，计算模糊，然后在“评估”张量上使用nu

StackOverflow新手，没有足够的积分发表评论。因此，开启了一个新的问题 我遇到了与此相同的问题： 在这种情况下，交换内存有帮助吗 关于平台的更多信息： Ubuntu Mate 16.04上的Ras Pi 3 RAM-1GB 存储-32 GB SD卡 框架：Tensorflow 网络架构-类似于AlexNet的复杂性 谢谢你的帮助 谢谢 SK虽然交换可以避免链接问题中的硬失败，但交换通常会毁掉你的推理。b/w RAM和任何其他形式的存储在吞吐量和延迟方面的差异实在太大了 粗略估计，

我正在为维护人员列表的演示应用程序构建一个简单的推荐/建议引擎。对于每个人来说，它会根据以下偏好跟踪他们的饮食习惯： 饮食类型：素食者/非素食者/素食者 美食喜好：印度菜、墨西哥菜、意大利菜等（一个人可以喜欢不止一种） 用餐类型及确切时间：早餐、午餐、晚餐、晚餐 特殊饮食：酮类、血型、阿特金斯等 最喜欢的蔬菜：菠菜、花椰菜等 食物过敏要求 位置-城市、地区、街道等 一旦这些数据可供系统使用，我需要构建一个简单的建议引擎- 对于任何被选中的人，建议另外10个在饮食习惯方面最适合的人 对于一组被选中

我是Tensorflow数据集API的新手，无法完全理解其设计的简单性，因此我需要一些帮助 下面是一个简单的例子 import tensorflow as tf x = tf.placeholder(tf.int32, shape=[]) y = tf.square(x) with tf.Session() as sess: print(sess.run(y, {x: 2})) # result is 4, simple 如果我有一个整数数组arr_x=[2,3,5,8,10]，我如

我正在尝试实现一个InceptionV3来对图像进行分类。 （python 3.65/tensorflow 1.14.0） 当我运行代码时，我得到以下关键错误：“logtostderr”。 我不知道为什么会发生这个关键错误 我怎样才能解决这个问题 上周，我顺利地运行了这段代码。 但是，问题是昨天突然发生的 with tf.train.MonitoredSession(session_creator=session_creator) as sess: for filenam

嘿，伙计们，我正在安装tensorflow 在Windows 10上的C++，但是我正在运行 尝试执行bazel命令时出现问题 bazel build --config=opt //tensorflow/tools/pip_package:build_pip_package 作为解决问题的基本健全性检查，您需要确保使用推荐的bazel构建工具运行TensorFlow的特定版本，如说明中所述： 例如，TensorFlow v0.9应与Bazel工具v0.11.0配套使用。你能为你的案子提供这些

我想知道将图像预处理（例如旋转、水平翻转、填充、裁剪等）应用于tf.data API生成的数据的有效方法 我的数据如下所示： import tensorflow as tf // train_data -> numpy array, (50000, 32, 32, 3) // test_data -> numpy array, (10000, 32, 32, 3) train_generator = tf.data.Dataset.from_tensor_slices((trai

这就是我担心的情况 假设我有一个用最小-最大比例数据训练的模型。我想测试我的模型，所以我还用我在训练阶段使用的旧定标器缩放了测试数据集。然而，我的新测试数据是新的最小值，所以定标器返回负值 据我所知，最小值和最大值并不是那么稳定的值，特别是在不稳定的数据集中，如加密货币数据。在这种情况下，我应该更新我的定标器吗？或者我应该重新训练我的模型吗？理想情况下，你应该先缩放，然后只分为测试和训练。但是，在实时场景中，对具有动态变化的最小值和最大值并具有显著差异的数据使用最小-最大定标器并不可取。我恰好不

然而，在我运行完脚本之后，我并没有看到构建文件。我看到——构建文件已写入：/my\u path/service/tensorflow\u service/custom\u ops/sentencepiece\u processor/Build。搜索之后，我发现构建文件是为Bazel创建的，而CMake并没有创建构建文件。如果是这种情况，我如何从CMake获取构建文件？谢谢。问得好。我的同事打开了你提到的那个问题（并给出了一个极好的解决方案）。我们最终需要一个带有tensorflow服务+sent

我在Ubuntu 18.04上使用Tensorflow 2.0。跑步时 tf.config.list_physical_devices('GPU') 我得到了上面的错误。解决方法是什么？运行tf.config.experimental.list\u物理设备（'GPU'）以查看所有GPU 或 运行tf.config.experimental.list\u physical\u devices（device\u type=None）查看所有设备 您还可以使用tf.test.is\u gpu\u a

关于此错误，有几个问题： ValueError: as_list() is not defined on an unknown TensorShape. 还有一些关于git的相关问题： 然而，我还没有找到一个一致的答案来解释为什么会出现这条消息，也没有找到解决我的具体问题的方法。整个管道过去使用的是tf2.0.0-alpha，现在，在使用CondaConda install tensorflow=2.0 python=3.6安装后，管道中断 简而言之，我使用生成器将图像数据返回到tf.data

我有张量（None，196），在重塑后，它变成（None，14，14）。 现在，我想把它复制到通道轴，这样形状应该是（无，14，14，512）。最后，我想复制到timestep axis，因此它变成（None，10，14，14512）。我使用以下代码片段完成这些步骤： def replicate(tensor, input_target): batch_size = K.shape(tensor)[0] nf, h, w, c = input_target x = K.reshape

我想把tensorflow模型转换成armnn。我试图从头开始为linux构建armnn。 我尝试了此链接->但无法生成armnn转换器对象文件。 有人能帮我成功地建造它吗 谢谢您可以使用armnn转换器执行相同的任务。转换器只能转换有限的层 对于tenserflow支持，您可以转到下面的链接并浏览图层。 在Url下面，您可以获取armnn转换器的源代码。您可以独立构建它 对于转换，您可以使用如下示例中的命令 ArmnnConverter -f tensorflow-binary -m {p

我想保存模型/图形并将其重新加载到另一个文件中。然而，我也希望能够在新文件中继续更新模型。到目前为止，我已经成功地重新加载了神经网络的输出，但我无法更新网络 我尝试过这个，但它甚至无法编译 tf.identity(self.train_pi_op, name="train_pi_op") tf.identity(self.train_value_op, name="train_value_op") tf.identity(self.target_update, name="target_upda

我使用Gensim训练了Word2Vec模型，我有两组单词： S1 = {'','','' ...} S2 = {'','','' ...} 对于S1中的每个单词w1，我想找到与w1最相似的前5个单词。我目前正在这样做： model = w2v_model word_similarities = {} for w1 in S1: similarities = {} for w2 in S2: if w1 in model.wv and w2 in model.

在Colab中运行tensorflow 2.x及其内部keras版本（tf.keras）。我的模型是用于多类分割的3D卷积UNET（不确定是否相关）。 我已经用传统的方法成功地训练了这个模型（在验证上有足够高的准确性），但是我想做一些扩充来改进它，因此我选择了（手写的）生成器。当我使用发电机时，我看到我的损耗在增加，我的精确度在下降很多（例如：损耗增加了4倍，而不是一些%） 为了定位问题，我尝试加载经过训练的权重，并根据生成器返回的数据计算度量。现在发生的一切毫无意义。我可以看到结果在视觉上是好

我不明白为什么这个极其简单的输入输出问题不能通过下面的ANN来学习。我猜我的代码有错误，但我没找到 X = np.array([[ 1., 1., -1., 1.], [ 1., 1., 1., 1.], [ 1., 1., 1., 1.]]) Y = np.array([[ 1., 1., -5., 1.], [ 1., 1., 1., 1.], [ 1.

我有以下使用Tensorflow Extended（TFX）的代码 当我在GoogleColab上执行此代码时，它运行良好。然而，当我运行这个 回溯（最近一次呼叫最后一次）： 文件“tfx_sample.py”，第4行，在 从tfx.components.example\u gen.csv\u example\u gen.component导入CsvExampleGen 文件“/Users/sv/tfx_env/lib/python3.7/site packages/tfx/components

假设我有一个数据集，由于Kaggle笔记本环境的限制，我决定将一个大数据集拆分为“块”；A、 B和C。此外，我想训练10个时代的模型。如果我对模型进行如下培训，是否会产生影响： 超过10个时代 B--->10个时代 C--->10个时代 与此方法相比： A--->B--->C[第1纪元]--->A--->B--->C[第2纪元]--->…--->A--->B--->C[第10纪元] 此外，如果我认为存在差异，但我不确定，一种方法比另一种更好吗？对于机器学习，基本上您必须将所有的训练数据放在一起，

我想用下面的代码检查一个类的源代码生成的签名。以下代码 import tensorflow as tf class Test: def __init__(self): self.value = tf.constant(0) tf.autograph.to_code(Test) 但我得到了以下错误： tensorflow.python.autograph.impl.api.ConversionError: converting <class '__main__.T

我运行了以下代码（）：- 显示此错误：-AttributeError:'google.protobuf.pyext.\u message.RepeatedCompositeCo'对象没有属性'append' 因此，我根据tensorflow的要求将protobuf升级到最新版本（protobuf>=3.8.0） 那么tensorflow就不会被导入。 错误为：-导入错误：DLL加载失败：找不到指定的过程。（在导入tensorflow行处） 很明显，我需要protobuf 3.8.0作为运行程序的

我使用TensorFlow2.2训练了一个模型，但我必须在tensorflow1.13系统上部署该模型。无法将此系统升级到TensorFlow2，因为还有其他系统需要tensorflow1。但是tensorflow1.13.pb文件无法加载到tensorflow1.13中。此外，在tensorflow2.2中，.pb文件不仅包含tsnorflow1.13中的单个文件，还包含两个额外的文件夹“资产”和“变量” 我设法在tensorflow2.2中使用冻结图以单个文件的形式生成.pb文件，如下所述：

我已经遵循Tensorflow2文档，将经过训练的tf.estimator模型转换为tflite模型；为了转换我的模型，首先我必须使用输入\接收器\ fn以保存的\模型格式保存我的模型，然后使用选择\操作标志进行转换： classifier = tf.estimator.LinearClassifier(n_classes=2, model_dir = classifier_dir, feature_columns=features) classifier.train(input_fn = la

以下是错误消息： /home/lzw/matlab_to_C++/cpp_version/test.cpp:37:59:错误：调用“Eigen:：Tensor:：setValues（）”时没有匹配函数 epsilon.setValues（{0.0,1.0}，{3.0,4.0}，{1.0,2.0}）；您正在传递一个3x2的值元组，其中需要一个2x2x2的元组。您想要哪一个？ #include <Eigen/Core> // 稠密矩阵的代数运算（逆，特征值等） #include <

给定了一些.wav音频文件的目录，我提取了它们在3D数组中的特征（批处理、步骤、特征） 在我的例子中，训练数据集是（1883100136）。 基本上，每个音频都经过100次分析（假设为1fps），每次提取136个特征。但是，这些音频文件的长度不同，因此其中一些文件无法分析100次 例如，其中一个音频有50组136个特征作为有效值，因此其余50组用零填充 这是我的模型 def LSTM_model_building(units=200,learning_rate=0.005,epochs=20,d

我一直在努力使用tf.nn.conv2d_转置来重新创建tf.layers.conv2d_转置的函数。事实上，使用这两个版本相同权重的输出是不同的，所以我犯了一些错误 定义conv2d_层的代码如下所示： slim.conv2d_transpose( input, 1, kernel_size=[3, 3], stride=2, padding="SAME", activation_fn=None, normalizer_fn=None ) 以及定义我的co

我想在bigquery中存在的数据上训练tensorflow模型 （我试图使用tensor flow 1.15对数据执行kmeans聚类） 我想我还需要在训练前将数据转换为tensorflow向量，使用： tf.convert_to_tensor 我正在使用以下方法查询数据： from google.cloud import bigquery from google.cloud.bigquery.job import QueryJobConfig from google.oauth2.serv

基于此，我试图写一种新的FL算法。我训练所有客户机并将所有客户机的模型参数发送到服务器，在聚合过程中，服务器将仅对所有客户机的30%的模型参数进行加权平均。作为选择30%客户的模型参数的标准，我想通过使用30%客户的权重_delta对客户的损失_和进行加权平均 下面的代码是对此的修改代码 client\u输出中有以下属性 weights_delta = attr.ib() client_weight = attr.ib() model_output = attr.ib() client_loss

据我所知和研究，数据集中的序列可以有不同的长度；我们不需要填充或截断它们，只要训练过程中的每个批次都包含相同长度的序列 为了实现和应用它，我决定将批量大小设置为1，并在IMDB电影分类数据集上训练我的RNN模型。我添加了我在下面编写的代码 import matplotlib.pyplot as plt import tensorflow as tf from tensorflow.keras.datasets import imdb from tensorflow.keras import Se

我是在一位同事的工作基础上建立的，他在TF1中构建了一个自定义AttentionLSTM层。我想用TF2 我已将顶部的所有导入语句从tensorflow.keras import…更改为。但有两个问题我还没有弄明白如何改变 来自keras.legacy导入接口的 从keras.layers导入 在AttentionLSTM类定义中只使用一次，其他地方不使用 上课时间TM（经常性）： @interfaces.legacy\u Recurrency\u支持 定义初始值（自身、单位、， 激活='ta

我想知道是否有一种方法可以在Jupyter笔记本中可视化一个3D张量（如下所示） tensor1 = tf.ones([3,4,5])

我的模型： class MultiAutoencoder: def decoder_category_branch(encoder_GRU): decoded = RepeatVector(max_len_str, name = 'bottleneck-2')(encoder_GRU) decoder_BLSTM = Bidirectional(LSTM(25, return_sequences=True, name='Decoder-BLSTM'))(decoded)