所以，我对feed变量有一些问题。我想冻结我的模型的权重和偏差。我有下一个变量： wc1 = tf.Variable(tf.random_normal([f1, f1, _channel, n1], mean=0, stddev=0.01), name="wc1") wc2 = tf.Variable(tf.random_normal([f2, f2, n1, n2], mean=0, stddev=0.01), name="wc2") wc3 = tf.Variable(tf.random_n

我想用TensorFlow运行套索回归。由于套索回归只是简单地将L1范数添加到成本中，我将把我的成本术语定义为 cost = RSS + tf.nn.l1_norm(Weight) or cost = RSS + tf.reduce_sum(tf.abs(Weight)) train = tf.train.GradientDescentOptimizer(cost) 上述代码是否作为套索回归？我的一个问题是，在这种情况下，我是否可以使用梯度下降法。 套索回归具有无微分点，坐标下降被广泛使用，这

我目前正在使用tf.contrib.metrics.streaming_mean_iou来计算iou精度。这个函数只返回mean_iou，而我需要每个类的精度 我该怎么办 看起来像你需要的。一旦你有了混淆矩阵，你就可以了。是的，它可以工作。同时，我发现这个函数的工作方式是相同的，并且有一个局部变量，它被添加到集合中。有没有办法访问局部变量？我想我明白了。我可以使用tf.local_variables（）获取所有局部变量。虽然我的程序中只有一个局部变量，但我得到了它。如果有更多的变量，我可以过滤它

在进行分布式异步培训时，需要让所有工作人员在某个时间等待同步模型参数，例如，在一个历元完成后进行同步，并计算验证集上的auc MPI_屏障在使用MPI时已经足够好了，tensorflow中是否有类似的功能？您可以使用共享计数器变量来实现屏障。也就是说，按照3.6.4从你可以做这样的事情 # N is number of workers def barrier(): sess.run(counter_adder_ops[0]) while sess.run(counter_va

最近我在Kaggle中玩树叶分类问题。我看到一本笔记本。但是，当我试图用Tensorflow构建同一个模型时，它产生的精度非常低，损失变化很小。这是我的密码： import tensorflow as tf import numpy as np import pandas as pd from sklearn.preprocessing import scale,StandardScaler #preparing data train=pd.read_csv('E:\\DataAnalysis

我正在研究这一点，我在下面的代码中发现：在评估预测时，他运行精度，这运行正确的变量，这反过来运行预测，这将使用随机数重新初始化权重，并重建NN模型。这是怎么回事？我错过了什么 def神经网络模型（数据）： 隐藏的_1_层={'weights'：tf.Variable（tf.random_normal（[784，n_nodes_hl1]）， “偏差”：tf.Variable（tf.random_normal（[n_nodes_hl1]）） 隐藏的_2_层={'weights'：tf.Variabl

我想用tensorflow中的两个DIM来连接张量 例如，有四个四维张量。所有张量都类似于tensorflow中的图像，因此每个维度都表示以下内容：[批量大小、图像宽度大小、图像高度大小、图像通道大小] import tensorflow as tf image_tensor_1 = 1*tf.ones([60, 2, 2, 3]) image_tensor_2 = 2*tf.ones([60, 2, 2, 3]) image_tensor_3 = 3*tf.ones([60, 2, 2, 3

从github代码来看，MatMul op似乎不支持分区矩阵。那么tensorflow中是否有任何工具支持两个分布在多个节点上的巨大矩阵的乘法？tensorflow内置了跨机器分布计算的支持。我建议阅读分布式TensorFlow文档，了解如何设置TensorFlow集群 设置集群后，您可以决定如何对问题进行分区，并使用tf.device将每个工人分配到他们的工作分区中 例如，假设您要将a*a'相乘，并且希望将中间乘法平均分割到2个辅助运算器上，并且在第3个辅助运算器上计算聚合结果 您可以这样做：

我不确定这是否是提出这个问题的正确地点。我正在跟踪，并遇到了以下示例代码： W = tf.Variable([.3], tf.float32) b = tf.Variable([-.3], tf.float32) x = tf.placeholder(tf.float32) linear_model = W * x + b In the section on loss function it has the following: y = tf.placeholder(tf.float

我已经为这个问题编写了以下代码，其中有两个卷积层（简称Conv1和Conv2），我想绘制每个层的所有输出（它是自包含的）。Conv1的一切都很好，但我遗漏了一些有关Conv2的信息 我正在将一个1x2x5x25（num images、num channels、height、width（我的约定，既不是TF也不是Theano约定））图像馈送到具有四个5x5过滤器的Conv1。这意味着它的输出形状是4x1x1x25x25（num过滤器、num图像、num通道、高度、宽度），结果是4个绘图 现在，该输

我用tensorboard来监控我的训练过程，图很好，但有些图让我感到困惑 首先使用队列库py：（它使用队列和多线程读取二进制数据，参考） 在main函数中，我写： data_train,labels_train=Using_Queues_Lib.inputs( filenames=r'./training.dat', batch_size=32, data_le

在使用tensorflow代码库进行开发时，工作流似乎是 更改代码 运行bazel构建 构建pip包 安装pip包 测试更改 这太笨重了。在源代码树中编译和测试更改有什么诀窍吗？类似于设置自己的PYTHONPATH 我知道tensorflow不允许从源树中导入。例如 您可以使用bazel运行Tensorflow测试用例，无需安装任何东西，只需运行 bazel test //tensorflow/... （或者您可以使用更精确的路径来运行单个测试用例。） 我建议您通过编写测试用例并使用baz

你可以在官方网站上找到一步一步的样品： 您可以在官方网站上找到分步示例： 每个步骤的指南可能不是很清楚。 你可以试试 bazel build tensorflow/compiler/aot/tests:tfcompile\u test bazel-bin/tensorflow/compiler/aot/tests/tfcompile\u test 例如。每个步骤中的指南可能不是很清楚。 你可以试试 bazel build tensorflow/compiler/aot/tests:tfcompi

我想建立一个多标签分类模型（每个示例都有多个标签，每个示例的标签数量不是固定的）。例如，示例1可能有类标签“X”、“Y”，而示例2有类标签“X”、“Y”和“Z”。我的目标是计算这个多标签分类模型的交叉熵损失 我的第一个解决方案是手动创建目标类的稠密one hot表示并计算损失。然而，当我的词汇量为O（10K）时，这个解决方案的速度很慢。我想知道是否有更有效的方法来做到这一点 [更新以提供相关代码] ## During the data input phrase def input_fn():

看看这个，逻辑是： '''grads depend on total_loss''' grads = optimizer.compute_gradients( total_loss, variables_to_train, gate_gradients=gate_gradients, aggregation_method=aggregation_method, colocate_gradients_with_ops=colocate_gradients_w

在TensorFlow中，当张量的维数较大时，为了调试目的，只打印张量的某些部分很有用，例如二维矩阵的对角线。我只知道如何打印整个张量，如下所示： sess = tf.InteractiveSession() a = tf.constant(1.0, shape=[1000, 1000]) a = tf.Print(a, [a], "print entire a\n", summarize=1000000) b = a + 1. ret = sess.run(b) 上面的代码将打印整个“a”张

如何使用Google的对象检测API的推理脚本获取生成的边界框的坐标？我知道打印框[0][I]返回图像中第I次检测的预测，但这些返回的数字的确切含义是什么？有没有办法让我得到xmin，ymin，xmax，ymax？提前感谢。您提到的框数组包含此信息，格式为[N，4]数组，其中每行的格式如下： [ymin，xmin，ymax，xmax]在相对于输入图像大小的标准化坐标中。Google对象检测API以[ymin，xmin，ymax，xmax]格式和标准化形式返回边界框（完整解释）。要找到（x，y）像

我正在训练一个数据很少的猫/狗模型。我运行了上给出的精确代码，但精度保持在0.5并且从未改变 我的keras版本是2.0.9 Found 2000 images belonging to 2 classes. Found 800 images belonging to 2 classes. Epoch 1/50 125/125 [==============================] - 150s 1s/step - loss: 0.7777 - acc: 0.4975 - val_lo

对于解码png图像，我们通常使用以下代码段 image_placeholder = tf.placeholder(tf.string) image_tensor = tf.read_file(image_placeholder) image_tensor = tf.image.decode_png(image_tensor, channels=1) 为了使用Tensorflow服务部署一个模型，我使用了我自己版本的模型的示例。下面是该程序中用于读取传入tensorproto的代码 image_

我一直在寻找后面的预训练网络——通过RNN进行时间序列分析的resnet等价物 同一篇论文中有一些文章和几份出版物，但重量和结构本身并不容易找到 有人知道怎么找到它吗？它对公众开放吗？看起来有人在对这个问题的回答中回答了这个问题 目前还没有向公众开放

似乎sess.run（tf.assign（…）返回此变量的新值。这似乎效率低下，因为我不需要该值，而且该值是一个大矩阵。如何在不返回新值的情况下执行赋值？如果给sess.run（）an而不是a，它将执行赋值并返回None（而不是Tensor值） 您可以使用张量属性访问底层操作 打印（sess.run（tf.assign（…）.op） #>没有 我将尝试此方法并向您报告。

使用TensorFlow 1.9，我想在一个Python文件中训练一个神经网络，然后使用另一个Python文件恢复该网络。我尝试使用一个简单的例子来实现这一点，但当我尝试加载“预测”操作时，我收到了一个错误。具体地说，错误是：KeyError:“名称‘prediction’指的是不在图形中的操作。” 下面是我用来训练和保存网络的Python文件。它生成一些示例数据并训练一个简单的神经网络，然后每个历元保存该网络 import numpy as np import tensorflow as tf

我有Jetson TX2、python 2.7、Tensorflow 1.5、CUDA 9.0 Tensorflow似乎正在工作，但每次我运行程序时，都会收到以下警告： 将tf.Session（）作为sess: print（sess.run（y，feed_dict）） ... 2018-08-07 18:07:53.200320:E tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:881]无法打开文件以读取NUMA节点：/sys/bus

我尝试过使用不同版本的TensorFlow，我尝试过设置不同的路径，但无论我做什么，我都会得到以下错误。 我在Windows7 Professional上使用Spyder v3.2.8、Python v3.6.6和TensorFlow v1.11.0 进口干酪 使用TensorFlow后端。 回溯（最近一次呼叫最后一次）： 文件“”，第1行，在 进口干酪 文件“C:\Users\dchisholm\AppData\Local\Continuum\anaconda3.3.7\envs\Python

我有1000张狗和1000张猫的照片 我已经训练了一个小型CNN对这个数据集进行分类，验证/测试集的准确率都是99%+ 但是，我注意到，当我输入的不是猫或狗时，例如汽车，分类器（有时）会给出猫或狗的高置信度 为什么会这样？我知道CNN只接受过两门课的训练，但是如果它看到一些完全随机的东西，它不应该对两门课都输出一个较低的信心吗 我假设这个问题可以通过（其他随机对象和动物的）负面例子来解决，但问题变成了：需要多少负面例子才能真正涵盖所有可能的随机图像（不是猫或狗的图像）的分布？如果网络仅针对狗/猫

我尝试在我的桌面ubuntu和Cuda GPU上运行mobilenet_v2_1.0_224.tflite模型。 但默认情况下，它只在CPU上运行 我怎样才能让它也在cuda GPU上运行 顺便说一句，我能够使用nnapi在移动设备加速器上运行相同的功能。 问候,

我没有sudo访问已安装cuda的远程pc的权限。现在，我必须在该系统上安装tensorflow gpu。请给我一步一步的指南，安装它没有sudo 操作系统：Ubuntu18.04我以前不得不这么做。基本上，我安装了miniconda（你也可以使用anaconda，同样的东西，没有sudo也可以安装），并使用conda安装了所有东西 创建并激活我的环境： conda create --name myenv python=3.6.8 conda actiavate myenv 安装CUDA th

使用TF2.0和tfp概率层，我构建了一个keras.sequential模型。我想将其导出，以便与TensorFlow服务一起使用，我想将预处理和后处理步骤包括在可服务的中 我的预处理步骤相当简单——用显式值填充NAs、将一些字符串编码为浮点、规范化输入和反规范化输出。为了培训，我一直在与pandas和numpy一起进行前/后处理 我知道我可以导出我的Keras模型的权重，将Keras.sequential模型的架构封装在一个更大的TensorFlow图中，使用诸如tf.math.subtra

我花了一天多的时间，非常沮丧。我怀疑这是Tensorflow 1.13.1（稳定版本）中的一个bug 总之，我创建了一个模型子类样式的自定义模型，它只包含一个自定义层。在初始化之后，我使用save_weights和load_weights函数将其可训练权重转储到文件中并将其恢复。保存前后的可训练重量不同 我还在Tensorflow 2.0.0a0上运行了相同的测试，结果证明这个版本没有出现这种现象 我的自定义图层： class EncodingLayer(tf.keras.layers.Laye

因此，我有一个tensorflow图保存在.pb文件中，它在我的机器上运行得很好，但是当我在tensorflow v 1.3上运行它时，它可以很好地加载，尽管它会因以下错误而崩溃 InvalidArgumentError (see above for traceback): No OpKernel was registered to support Op 'Reshape' with these attrs. Registered devices: [CPU], Registered kern

我需要使用TPUEstimator实现一个布尔屏蔽操作。未实现tf.boolean_掩码。有解决办法吗 以下代码在CPU和GPU上非常适合我： all_out = model.get_sequence_output() P = tf.boolean_mask(all_out, P_mask) 所有这些都是一个形状为[？，128768]的张量 p_掩模是形状[？，128]，第二个维度是一个热编码的维度，表示要提取的所需张量 p的理想形状为[？，768] 当我使用TPUEstimator在

我使用Keras和Tensorflow后端解决分类问题。可以限制我的程序使用的CUDA内核吗？我已经设法限制GPU内存使用以并行运行多个支持cuda的程序，但我还需要限制cuda内核

我正在使用贝叶斯神经网络。我之前体验过f1分数的nan，我使用的其他指标（FPR、TPR、精度和召回率）在我运行模拟时都会给出随机值。现在我用这个 f1没有给出nan，但其他指标不断给出零输出 I previously tried to compute the values of the performance metrics I am using in the models as follows: #TP, TN, FP, FN TP = tf.count_nonzero(predic

当我打印一个张量，它显示某种运算名而不是它的值时，这意味着什么 例如： 生成这些打印的代码是： from keras.applications import VGG16 from keras import backend as K model = VGG16(weights='imagenet', include_top=False) layer_name = 'block3_conv1' filter_index = 0 layer_output = mode

我试图找出如何在一个张量上进行移位，这个张量有b（批量大小）、d（深度）、h（高度）和w（宽度），表示如下： b, d, h, w = tensor.size() 所以，我需要找到移位张量和张量本身之间的减法 我正在考虑使用torch.shown或torch.concat对每一侧执行此操作（向右、向左、向上然后向下移动），每次我都从相同的张量一侧（张量本身一侧）减去，然后在最后我将对每一侧的差/减进行相加/求和（所以我将在移位和张量之间进行最后的减法 我是PyTorch的新手，它很容易理解，但

我有一个tf.keras模型，需要接受多个形状的多个输入。我的目标是以这样一种方式构建它：我可以使用它的fit和evaluateAPI轻松地对它进行培训和评估 到目前为止，模型的构建如下所示： class MultipleLSTM(Model): def __init__(self, lstm_dims=128, name='multi_lstm', **kwargs): super(MultipleLSTM, self).__init__(name=name)

我想用谷歌Colab（Tensorflow+Keras）中的GPU使用相同的训练数据集多次训练CNN架构，然后用相同的测试数据集测试这些训练模型。然后我想确定结果的平均值和标准偏差（精度），以评估CNN的性能。（我想反复训练CNN架构，因为GPU不可能产生可重复的结果） 我想知道我是否应该在每次跑步中加入不同的种子，以至少限制一点随机性 到目前为止，我已经设置了以下种子，它们的值在不同的运行中有所不同，除了os.environ['PYTHONHASHSEED']='0'，我不确定是否应该设置这些

我在pytorch网站上学习了以下教程： 我已经在眼睛数据库上训练了我的模型来检测瞳孔。我保存经过训练的模型并打开它进行评估。 问题是，如果图片中没有眼睛，模型将崩溃 为了重现，我首先将模型打印在工作图片上： [{'boxes': tensor([[126.9488, 112.5852, 141.5698, 127.4215]], device='cuda:0'), 'labels': tensor([1], device='cuda:0'), 'scores': tensor([1.000

因为VGG19主要由卷积层组成，所以我主要关注于实现一个高效的卷积层。我在做这件事时遵循了这篇文章： 我的实现提供了正确的结果。我使用SIMD Intrisics和本文描述的算法。所有砝码都是预先装好的。在运行实际推理之前，分配每层的输入和输出缓冲区 例如，让我们看看VGG19网络的第二个卷积层： 输入：（22422464）（填充后22622664） 输出：（22422464） 内核：（3，3，64，64）（KH，KW，C_-IN，C_-OUT） 以下是对应代码的代码： void conv

我需要一个Tensorflow模型将图像分为4个不同的类别，我正在对预训练的InceptionResNetV2模型（weights='Imagenet'）进行迁移学习。在model.fit（）期间，我获得了97.4%的准确度，损失为0.3，而验证准确度保持在84%，损失为0.4。我是否过度拟合，如何提高验证准确性 base_model = InceptionResNetV2(input_shape=(299,299,3),weights='imagenet', include_top=False

如果我的数据集很大，比如说15000张图片，我使用的是gpu，它显示的训练时间几乎是15小时，但免费gpu的限制是12小时，你能建议应该做些什么来训练它吗？？？首先，我想建议你在文本体中添加你正在使用谷歌Colab进行训练。我不得不从问号中解析这些信息 现在回到你的问题上来。在Colab上训练15个小时是可能的，但这不是直截了当的。此外，您提到的12小时限制是为了有效使用，这意味着您需要积极与笔记本互动。如果您的笔记本闲置超过90分钟，Colab将终止您的连接 因此，简单的解决方法是修改代码，

小背景：我正在制作一个简单的石头、布、剪刀图像分类器程序。基本上，我希望图像分类器能够区分岩石、纸张或剪刀图像 问题：该程序对其中两个类（摇滚和纸类）的效果令人惊讶，但只要给出剪刀测试图像，该程序就会完全失败。我试着增加我的训练数据和其他一些东西，但没有运气。我想知道是否有人对如何抵消这一点有任何想法 旁注：我怀疑这也与过度装修有关。我之所以这样说，是因为该模型对训练数据的准确率约为92%，而对测试数据的准确率为55% 将numpy导入为np 导入操作系统 进口cv2 随机输入 导入tensor

这是我第一次遇到这个问题。我已经使用这个模型有一段时间了，但是数据较少。问题是，在前3个历元中，训练需要11秒/步（31k样本/128批大小），而在第4个历元中，训练需要18秒/步。在第五次测试中，它大约花费了45秒/步。我使用的是Keras，没有做任何自定义循环的恶作剧 有人能解释这种减速吗？模型没有被打断。我用的是TF2.3 Epoch 1/1200 248/248 [==============================] - 2727s 11s/step - loss: 2.348

我想知道使用可训练的重量和可训练的变量的实际区别是什么。在线教程，比如Keras网站上的教程，似乎可以互换使用 这样更好吗 with tf.GradientTape() as tape: predictions,_ = model(inputs, values, trainable=True) outputs = predictions loss = loss_function(targets, outputs)

我正在尝试升级我的模型，以使用AI平台2.1而不是1.15，但我无法让FinalExporter正常工作 我遵循了中概述的步骤，并将其带到了一个地方： 评估指标将导出到eval文件夹 BestExporter和LatestExporter都成功导出了模型 FinalExporter不导出任何模型 我使用的代码类似于： 将tensorflow导入为tf ... 估计量=tf.估计量.估计量（…） 列车规格=tf.估算器.列车规格（…） 最终出口商=tf.estimator.FinalExpor

我在ubuntu 18.04服务器上安装了jupyter实验室。我已经安装了一个图形卡，并使用python 3.6.9安装了tenserflow 2.3.1（按照以下说明：）。我必须将以下环境变量添加到/etc/environment，以使其正常工作： export LD_LIBRARY_PATH=/usr/local/cuda-10.2/lib64 然而，Jupyter实验室没有看到我的GPU！当我在jupyter实验室笔记本中运行以下命令时 import tensorflow as tf

张量是A_张量，具有形状[3,3,3]，我想通过索引获得最后一个轴的值 如何在Tensorflow中实现这一点 A_tensor =tf.constant([[1,2,3],[2,3,4],[3,4,5]]) 如何获得张量（[1,2]，[2,3]，[3,4]]）？您可以使用tf.gather（）： A_tensor =tf.constant([[1,2,3],[2,3,4],[3,4,5]]) tf.gather(A_tensor,[[0,1]],axis=-1)

我目前正在做以下tf教程： 在不同的句子上测试tokenize函数的输出，我想知道在标记未知单词时会发生什么 加载模式： bert_model_name = 'bert_en_uncased_L-12_H-768_A-12' tfhub_handle_encoder = 'https://tfhub.dev/tensorflow/bert_en_uncased_L-12_H-768_A-12/3' tfhub_handle_preprocess = 'https://tfhub.dev/ten

我想做演讲者日记。我已经将wav文件嵌入到嵌入中，并通过聚类获得了非常好的结果 我想更进一步。我想让人们记录一个句子并嵌入其中。所以我可以把录音和人们的录音进行比较 我如何最好地比较嵌入以将声音映射到特定的人？我想基于预先标记的集群进行集群 我想： 集群数据=>通过记录的数据将其分配给一个人

在我正在处理的一个特定问题中，我想优化一个神经网络，它应该根据输入向量的一个条目确定输出的坐标 一个简化的版本是我的输入，比如大小为2，一个条目用于确定输出值的方向，而第二个条目用于给出输出向量的坐标： 例如，如果我声明输出的大小为5： 对于输入x=（12，3.4），我希望我的输出是（0 12 0） 对于输入x=（6.8,0.9），我希望我的输出是（6.80） 总的来说，我的NN给了我 $$f（x）=x_1 e_{层（x_2）$$ 其中Eyk表示第k次正则向量（我写的东西是因为，在实际问题中