从master运行以下代码时会出现错误 import tensorflow as tf import numpy as np W = tf.constant(3., tf.float64) X = tf.placeholder(tf.float64, [5,3]) Y = tf.scalar_mul( W , tf.ones(tf.pack([tf.shape(X)[0], tf.shape(X)[0]]), tf.float64) ) Z = tf.diag_part(Y) init =

对于BasicLSTM单元，配置如下： ... num_layers = 2 num_steps = 10 hidden_size = 200 ... 我使用两个隐藏层模型： lstm_cell = rnn_cell.BasicLSTMCell(hidden_size, forget_bias=0.0) cell = rnn_cell.MultiRNNCell([lstm_cell] * 2) 单元格的大小是多少 我知道是30 x 800，但我不明白它是怎么来的 PS：请参阅中

我在github上阅读了tensorflow的源代码，发现gen_math_ops已经导入 from tensorflow.python.ops import gen_math_ops 但是，我在整个项目中找不到这个脚本，它也不在ops文件夹下 此文件是机器生成的 您可以在…/site packages/tensorflow/python/ops/gen_math_ops.py中找到生成的文件 例如，在Mac中，您可以在/Library/Frameworks/Python.framework

我正在编写代码，以便在32台主机（每个主机有16个GPU）的集群中运行分布式同步培训 我阅读了本教程：以及以下示例代码： 两者似乎都建议每个GPU运行一个worker，并使用SyncReplicaOptimizer运行同步培训 如果我这样做，在每一步之后，每个PS都会收到来自32*16工作者的参数子集的梯度，对吗 在将平均梯度发送到参数服务器之前，是否可以对每个主机中16个GPU的梯度进行平均？这样，每个PS只需要接收32组渐变，而不是32*16 如果有可能做到这一点，是否有关于如何做到这一点的

为了在Ubuntu系统上安装带有GPU的TensorFlow，我使用“CUDA-repo-ubuntu1404_8.0.44-1_amd64.deb”安装了CUDA v 8.0，使用“cuDNN-8.0-linux-x64-v5.1”安装了cuDNN，但是，在解压缩文件并将其复制到CUDA toolkit中时，以下文件会添加到/usr/local/CUDA/lib64文件夹中： libcudnn.so libcudnn.so.5 libcudnn.so.5.1.5 libcudnn_

我正在尝试构建一个非常大的稀疏模型（例如，如果只有一个嵌入层，则为LR），输入维度可以高达100000000，并且样本非常稀疏，非零值的平均数量约为100。由于权重非常大，我们必须将其划分并分布到不同的服务器上。代码如下： weights = tf.get_variable("weights", weights_shape,

我的服务器是Ubuntu 14.04 CPU 安装品红后，我运行 bazel测试品红色/， 这给了我一个错误： 错误：/home/jcc/.cache/bazel/_bazel_jcc/ed5599de3378c6e0a5a71ebe1650713e/external/protobuf/protobuf.bzl:91:19:未定义名称“HOST\u CFG” 错误：包包含错误：洋红/protobuf。 错误：加载包“洋红/protobuf”时出错：扩展名“protobuf.bzl”有错误 信息：

我已经使用tensorflow API运行了一个图像处理脚本。事实证明，当我在会话运行过程之外设置for循环时，处理时间迅速减少。谁能告诉我为什么？有副作用吗 原代码： with tf.Session() as sess: coord = tf.train.Coordinator() threads = tf.train.start_queue_runners(coord=coord) for i in range(len(file_list)): start = time.time()

我尝试了很多方法，但我无法打印或写“预测”。 我想打印模型的测试结果（“预测”）并将其写入aaa.txt，以及如何打印 代码，请参阅： 谢谢。嗨，你找到解决办法了吗？因为我也有同样的问题。谢谢 with tf.Graph().as_default(): ............. ............. ............. image = image_preprocessing_fn(image, eval_image_size, eval_image

有一个包含优化函数的程序，它有下面的代码段来计算梯度 if hypes['clip_norm'] > 0: grads, tvars = zip(*grads_and_vars) clip_norm = hypes["clip_norm"] clipped_grads, norm = tf.clip_by_global_norm(grads, clip_norm) grads_and_vars = zip(clipped_gr

TensorFlow 1.1.0rc2在其仪表板中支持文本，但如何实际记录将显示在那里的内容？TensorFlow主分支引用了tf.summary.text，但在1.1.0rc2中没有可用的调用。 补丁说明说，它只是在v1.2.0中添加的 也许代码在以前的版本中已经存在，但是在安装/构建时，它没有包含在内？我使用的是Tensorflow 1.4 我找不到任何直接的方法来使用文本摘要，因为我找不到任何如何将类似数字的张量转换为字符串的示例。然而，使用post我们可以编写一个临时函数来实现结果 im

我在玩TensorFlow，我在看以下教程： 因为我不想使用MNINST数据库，所以我用8000个训练样本创建的一些数据更改了脚本。使用300个测试样本进行评估。输出为二进制分类。请记住，我刚刚投身于机器学习，目前我的知识非常有限 该脚本工作正常，但是我的成本被固定在一个非常高的值上，并且没有收敛到0。首先，这正常吗？我该如何改进这一点？我做错什么了吗？ 第二，精度也不是很好，是不是因为收敛性差？也许8000英镑还不足以训练模特儿？或者该值过于分散，实际上无法获得更好的精度 我在这里发现了一个

因此，我有一个64核的1 CPU设备。我已经从anaconda安装了tensorflow。我知道如果我有多个CPU，我可以通过指定CPUID来分配计算。如下（改编自）： 上面的示例代码假定有三个CPU。但是我想知道我是否能用现有的设备（1个CPU，64个核）有效地做一些有效的深度学习练习？有人能帮助或指导我吗 更新： 核心是英特尔至强Phi处理器型号 另外请注意，我没有管理员权限，因此无法编译任何库。我通过Anaconda安装了所有python库 我试图理解一些东西。我在上面给定的代码中使用

有没有一种方法可以让占位符张量的可变维度在其上循环？例如： t = tf.placeholder(tf.float64, shape=[None]) def loop_cond(t, k): N = t.get_shape()[0].value tf.less(k, N-1) 我得到TypeError:-：'NoneType'和'int'的不支持的操作数类型 如何在变长秩1张量的元素上循环？您可以使用它在图形构造时消除已知的形状要求。下面的代码可以解决这个问题 def loo

我一直在学习一些使用神经网络进行关键点检测的教程。我注意到，对于输入（图像），除以255是很常见的（因为值介于0和255之间，所以标准化为[0,1]）。但是对于目标（X/Y）坐标，我注意到更常见的是将其规格化为[-1,1]。这一差异的任何原因 例如： 我认为对于神经网络来说，最常见的图像归一化方法是去除图像的平均值，然后除以其标准偏差 X = (X - mean_dataset) / std_dataset 我认为关键点检测问题不应该太不同 看到性能上的差异可能会很有趣。我的猜测是，与[0,1

当我试图理解以下tensorflow图形构建代码的基本机制时，我对第3行和第4行感到困惑。我假设在+运算符重载的一侧，加法器_节点构建对a和b的引用。然而，当加法器_节点在第4行执行时，区分a（a:3）和b（b:3）的机制是什么。比方说，如果占位符被值填充，并且如果加法器_节点同时引用了a和b，那么为什么我们必须再次传递这些参数 a = tf.placeholder(tf.float32) b = tf.placeholder(tf.float32) adder_node = a + b pr

我试图编译Protoc库，但它总是给我一个错误，没有这样的目录，即使它在那里 我正在采取步骤 我还向PATH环境变量添加了Protoc 但它根本看不到对象检测/protos目录 protoc object_detection/protos/*.proto --python_out=. 目录和文件都在那里 我在使用最新的windows protoc版本3.5.0时遇到了同样的问题。一时兴起，我尝试使用稍旧的版本（3.4.0），并使用完全相同的指令使其工作。我在使用最新的windows prot

我正在运行一个使用Keras和TensorFlow后端的模型。一切都很完美： model = Sequential() model.add(Dense(dim, input_dim=dim, activation='relu')) model.add(Dense(200, activation='relu')) model.add(Dense(1, activation='linear')) model.compile(loss='mse', optimizer='Adam', metrics

我有带值的形状[batch_size，A]的张量T和带移位参数的形状[batch_size]的张量S 我想将T[b]中的值按S[b]位置向右移动，T[b]的最后S[b]元素应该被删除，新元素应该被设置为0 所以我基本上想做一些事情，比如： for i in range(batch_size): T[i] = zeros[:S[i]] + T[i, :A-S[i]] 例如： For: T = [[1, 2, 3], [4, 5, 6]] S = [1, 2] Return: T' = [[

请帮帮我，我的失踪在哪里？为什么我总是遇到这个错误： “DataFrame”对象没有属性“train” # -*- coding: utf-8 -*- import tensorflow as tf from tensorflow.contrib import rnn import numpy as np import matplotlib.pyplot as plt import pandas as pd dataset = pd.read_csv("all.csv") x =

我试图在Ubuntu 16.4机器上训练tensorflow模型。然而，训练开始后，TF几乎消耗了所有可用RAM（8GB），并被OOM收割者杀死。如果我禁用OOM killer，它将以分段错误终止 到目前为止，我的搜索结果还没有显示任何可以限制RAM tensorflow使用量的内容，只有与GPU相关的参数是可配置的，但这并不能解决问题。如果我使用ulimit-linux命令将python进程的RAM限制为4GB，那么脚本将永远被卡住，甚至无法启动——这几乎就像它从未开始执行脚本的主方法一样 我

但是，一个类可能在一批中出现两次（因此类5的“2*3”示例）@mrry的解决方案可以避免这种情况。 import tensorflow as tf import numpy as np def get_class_generator(class_id, num_el, el_shape=(32, 32), el_dtype=np.int32): """ Returns a dummy generator, outputting "num_el" elements of

我正在尝试运行一个应用程序。但是，我得到一个错误： 从createDB导入加载\u数据集 将numpy作为np导入 进口干酪 从keras.utils导入到_category 将matplotlib.pyplot作为plt导入 从sklearn.model\u选择导入列车\u测试\u拆分 从keras.models导入顺序、输入、模型 从keras.layers导入致密、脱落、平坦 从keras.layers导入Conv2D、MaxPooling2D 从keras.layers.normaliz

我正在训练一个预构建的基于tensorflow的自定义对象检测模型。 我只想检测1种类型的对象。我从不同的角度，在不同的光线条件下拍摄了很多照片。我正在培训K80 Nvidia GPU。一切正常，当我训练时，我可以看到损失函数下降到0.3。但当我开始训练时，损失值很快下降到1以下。我使用SSD mobile Net作为该型号的基本配置。当我尝试测试模型时，它只是在输入图像上绘制一个大正方形，而不是检测图像中所需的对象。基本上，它无法检测到目标 我试着用一组不同的mac n chesse图像来训练

我正在尝试执行多类分类。理想情况下，我会使用交叉熵损失来训练我的神经网络。然而，我的类是顺序变量。因此，我希望我的损失函数能够在预测中执行某种顺序。例如y_true=2，那么我更喜欢y_predict=3而不是y_predict=4。为此，我考虑在softmax层之后，结合使用交叉熵损失和平均绝对损失的自定义损失函数： import from keras import backend as K from keras import losses loss_weight = [1,0.0001] l

对于具有高度倾斜数据的数据集，是否有一种很好的方法来微调对象检测模型（特别是，我正在尝试使用Tensorflow对象检测API）？我正在尝试使用一些COCO分类，并将其与我自己的自定义数据相结合，但我的数据只有大约50张图像 我曾尝试将可可豆数据和我自己的数据结合起来，但每次都只是预测可可豆的种类 您可以尝试使用焦点丢失 见： 在Tensorflow对象检测模型文件中，如下所示： loss { localization_loss { weighted_smooth_l1

我正在研究一个使用LSTM预测股票价值的问题 我的工作基于以下几点。 我使用一个总长度为12075的数据集（股票价格时间序列），我将其分为训练集和测试集（几乎10%）。它与链接项目中使用的相同 train_data.shape （11000，） test_data.shape （1075，） 在我们的模型中，我们首先在多对多lstm模型上对其进行训练，在该模型中，我们提供N个输入序列（股票价格）和N个标签序列（通过将train_数据排序为N个段作为输入进行采样，标签作为输入的以下值序列进行采样）

我一直在尝试在Google Colab上运行，但每次我都会遇到下面的错误。我检查了GPU是否已启用，并尝试使用tensorflow GPU 1.4.0来替代，结果类似。有什么想法吗 --------------------------------------------------------------------------- ImportError Traceback (most recent call last) /usr/lo

我想将follow pytorch网络（v1.2）更改为tensorflow。我混淆了tf.nn.conv2d和tf.keras.layers.conv2d我应该选择什么 import torch.nn as nn nn.Sequential(nn.Conv2d(in_planes, out_planes, kernel_size=kernel_size, stride=stride, padding=padding, dilation=dilation, bias=True),

TensorFlow 2.0发布后，TensorBoard似乎无法在谷歌云JupyterLab中打开。 当我在JupyterLab中使用创建新的TensorBoard函数，并输入TensorFlow生成的日志文件的路径时，路径窗口关闭，没有响应 TensorBoard上个月可以在同一个日志文件上成功运行 我尝试重新安装/降级组件，包括TensorFlow（从1.13到2.0）、TensorBoard、JupyterLab笔记本、IPython。没有变化。我尝试创建一个新的JupyterLab实例

我试着 更快的\u rcnn\u resnet101\u fgvc模型，此模型为我提供结果： {'detection_classes': [[2135.0, 1752.0, 360.0, 1160.0, 2553.0]], 'num_detections': [5.0], 'detection_scores': [[0.994473159, 0.354584545, 0.144689247, 0.0592163019, 0.0416594595]], 'detection_boxes': [[[

该模型现在只能识别带有tf的单个字母。如何识别连续字母和单词？手写数字识别。。。MNIST是手写数字分类任务中广泛使用的数据集。它由70000个标记为28x28像素的手写数字灰度像素组成。数据集分为60000张教育图像和10000张测试图像。根据图像的质量和类型，任务的难度会有所不同。如果要在自然场景中进行文本检测，这是相当困难的，并且需要多个模型，在这方面有大量的研究论文。还有很多笔记本电脑。这本书（一本好书）解释了要考虑的各种因素以及为什么这么困难，也分享了他的实现 如果您试图在一个简单的二

我想调用一个python脚本，它计算tensorflow函数中矩阵的符号。我不知道怎么做 有人能帮忙吗？tf.where检查条件，如果为true，则计算第一个参数，否则第二个参数为tf.where 下面举例说明： #a是要设置阈值的数组 cond=tf.更大（a，tf.零（tf.形状（a））） 阈值_矩阵=tf.where（cond，tf.ones（tf.shape（a）），-1.*tf.ones（tf.shape（a））） 或者，您也可以使用tf.sign什么是“矩阵的符号”？我所说的符号是

我已经尝试在keras中实现ctc丢失功能好几天了。不幸的是，我还没有找到一个简单的方法来做到这一点，很适合keras。我找到了tensorflow的tf.keras.backend.ctc_batch_cost函数，但没有太多文档。我对一些事情感到困惑。首先，输入长度和标签长度参数是什么？我正在尝试制作一个手写识别模型，我的图像是32x128，我的rnn有32个时间步长，我的字符列表有80个长度。我尝试对这两个参数使用32，这给了我下面的错误。函数是否应该已经从前两个参数（y_true和y_p

我正在运行下面的代码，这一行出现了一个错误 tb.configure(argv=[None, '6006', 'C:/Users/ryans/']) 错误消息如下： tb.configure(argv=[None, '6006', 'C:/Users/ryans/']) usage: tensorboard [-h] [--helpfull] [--logdir PATH] [--host ADDR] [--port PORT] [--purge_orph

我尝试在Keras中创建自定义层。这段代码是我从示例中得到的。如何得到该层的计算结果 class Linear(keras.layers.Layer): def __init__(self, units=32): super(Linear, self).__init__() self.units = units def build(self, input_shape): self.w =

我正在学习使用tensorflow并尝试对文本进行分类。我有一个数据集，其中每个文本都与标签0或1关联。我的目标是使用一些句子嵌入来进行分类。首先，我使用Gnews预编译嵌入从整个文本创建了一个嵌入： embedding = "https://tfhub.dev/google/tf2-preview/gnews-swivel-20dim/1" hub_layer = hub.KerasLayer(embedding, input_shape=[2], dtype=tf.string,

有一种预处理技术，我们可以使用以下方法针对ImageNet数据集预处理图像： from keras.applications import imagenet_utils imagenet_utils.preprocess_input(image, mode='caffe') 你看，我选择了mode='caffe'。事实上，Keras.applicationsAPI解释了三种模式： mode: One of "caffe", "tf" or "t

我有1000个对象，每个对象都有100个时间戳和5个功能，但其中一个非常重要，所以我不想让它通过LSTM，而是立即将其转移到最后一层，我该怎么做？在神经网络中需要很多输入层吗？我认为这两种方法中的任何一种都可以满足您的需要： import tensorflow as tf # dummy data inp1 = tf.random.uniform(shape=(1000, 100, 5)) # ALTERNATIVE 1 (use lambda layer to split input) i

我找到了关于它的两个主要来源 ，未按照规则手册进行（我宁愿避免） （我更喜欢避免意外） 我更喜欢遵循Keras的文档，以避免内存泄漏，因为这是一些使用Keras的人的情况 但Keras在文件中展示的是关于分类的。这不是我的情况。 所以我试着看一下Keras的源代码。确切地说是在文件中：/lib/python3.7/site packages/tensorflow\u core/python/keras/metrics.py。这对我一点帮助都没有，因为大多数度量（一些例外是分类度量）都是使用包装器

我已经建立了一个自定义的Keras模型，它由不同的层组成。由于我想将L2正则化添加到这些层中，因此我将keras.regularizers.L2的一个实例作为这些层的kernel\u regularizer参数传递（例如，请参见的构造函数）。现在，如果我用Keras的二元交叉熵损失（）的实现来训练这个模型，我肯定在计算损失时会考虑我指定的L2正则化 然而，在我的例子中，我有一个自定义的loss函数，除了y_true和y_pred之外，它还需要几个其他参数，这意味着我无法将此函数作为模型的loss

我用TensorFlow训练了一个语音识别模型。得到一个名为“model.ckpt-1300.meta”的检查点。现在我想用sample.wav文件预测结果。有人能帮忙吗？有不同的方法可以使用保存的检查点来构建模型和执行预测；其中一个可以如下所示： 您可以使用模型作为原始模型函数，并使用保存的检查点热启动模型 然后，您可以创建一个自定义输入函数，将sample.wav文件输入估计器，并运行估计器以提供预测

我试图通过tf.keras.model子类化方法使用Tensorflow2.3创建自定义分类模型，在子类模型init函数中，我使用tf.feature\u column层对特征进行分类。通过以上所有部分，我可以训练、保存和重新加载保存的_模型，但是当我使用重新加载模型进行推理时，我得到以下错误： ValueError: Could not find matching function to call loaded from the SavedModel. Got: Positional ar

我编写了一个简单的TFRECORDS文件，其中包含三个特性和一个标签。 在我学习教程的过程中，似乎要使用这些TFRECORDS，我需要创建一个数据集，解析示例，并通过map（）执行其他操作，如规范化。如果这不是正确的工作流程，我将不胜感激 dataset = tf.data.TFRecordDataset("dataset.tfrecords") #parse the protobuffer def _parse_function(

我已经为我的学校作业建立了以下对象识别模型，以根据CIFAR-10数据集预测班级。分配要求我对所有卷积层和池层使用有效的填充 def\u build\u cifar10\u model（num\u C1\u channels=50，num\u C2\u channels=60，use\u dropout=False）： 模型=顺序（） #重塑长度为3072的一维阵列 #形状为32x32x3的矩阵 model.add（输入（shape=（3072，）） 添加（重塑（目标形状=（32,32,3），输

我已经在此处搜索了有关错误的其他线程，但无法找出问题所在。我尝试使用一个玩具数据集创建一个LSTM，该数据集具有两个预测值和三个结果，将输出层设置为sigmoid，以便每个结果标签的概率介于0-1之间。我的代码： import pandas as pd import numpy as np import tensorflow as tf #create toy dataset d = {'custID': [101,101,101,102,102,102,103,103,103],

假设我有一个输出数组序列的自动编码器。是否可以通过CNN运行该阵列，并根据CNN的输出（只有两个输出是或否），自动编码器自行训练。例如，如果CNN说“否”，则自动编码器调整其参数并生成另一个输出。这种情况一直发生，直到CNN输出“是”。应该是这样的： while True: autoencoder.fit(input, labels) ae_output = autoencoder(input) cnn_output = CNN(ae_output).numpy() if cnn

我在尝试将数据导入TFX管道时遇到了一些问题，如果有人能为我指出正确的方向，我将非常感激。我有一个3D参差不齐（或者稀疏，如果需要的话）张量，其中每个2D切片都是一个示例，我想输入到我的管道中。每个二维张量由数量可变的行组成，但它们共同构成一个示例，而不仅仅是一批示例。编码此结构的最佳方式是什么，以便tfx管道的ExampleGen组件可以将其馈送到管道中？ 到目前为止，我已经尝试按照本指南中的说明在tf.train.SequenceExample中进行转换，以便每个特征在值字段中都有一个向量，

我是诺布 问这个问题，因为我无法直接找到任何已解决的示例，而且信息非常分散在各个站点。以下是我的任务描述： 我正在尝试在Amazon Sagemaker中部署一个模型。模型采用keras（tf）建立和训练 import os import numpy as np from tensorflow.keras.preprocessing.image import load_img, img_to_array import cv2 from sagemaker.tensorflow import T

使用后我得到了一个Mat文件 const mat = tf.browser.fromPixels(canvas) 我使用toString（）获取输出 const data = mat.toString() 这是一个矩阵的例子 [[[58 , 57 , 66 ], [58 , 57 , 66 ], [58 , 57 , 62 ], ..., [169, 228, 244], [170, 224, 255], [172,