《tensorflow》专题

Mac OS我正在尝试使用cMu字典进行语音识别。我采取的步骤： 结果： 名称：tensorflow 版本：1.12。0 摘要：TensorFlow是一个面向所有人的开源机器学习框架 主页：https://www.tensorflow.org/ 作者：谷歌公司 作者电子邮件：opensource@google.com 许可证：Apache 2.0 位置：/Library/Frameworks/Py

我正在训练一个张量流DNN模型，它会给出这样的结果， 我可以生成一个数据帧有纪元，损失，准确性，val_accuracy和val_loss？ 喜欢

我试图将最初用Pytorch编写的自定义DNN网络转换为Tensorflow 2，该网络具有所需的输入形状（batchsize，39101,1）。在使用特征提取器并获得具有兼容维度的序列和验证数据集的维度（total_samples，39101,1）之后，我尝试使用模型来训练模型。适合在第一个纪元的最后一步，我面临一个错误，如下所示，这表明我的张量形状正在发生某种变化。我不知道为什么这只发生在最后

我有一个损失函数内建的tenstorflow，它需要logits和标签作为输入： 问题是keras损失函数的格式不同： 它使用y_truey_pred作为输入， 我找到了一种在keras中获取Logit的方法，在模型的最后一层中使用线性激活而不是softmax。 但我需要我的模型在最后一层有softmax激活，你认为解决方案是什么？非常感谢。

我每一步都能得到训练损失。但我确实想在tensorboard中的图'lossxx'中添加评估损失。怎么做？

我想将ptb_word_lm.py示例中的损失函数更改为。查看实现： 我想啊 第三个参数（输入）是语言模型的logits， 第四个参数（标签）是语言模型的下一个单词（self.\u targets） num_classes是语音大小 但我不知道前两个参数是什么，权重和偏差。我如何适应到语言模型？谢谢 @亚伦： 谢谢，我尝试了以下方法： 根据这里的文件： > 偏差：形状的张量[num_类]。阶级偏见

我用二进制文件中的以下数据（标签、文件名、数据（像素））训练了一个卷积神经网络（CNN）： 每个批次包含所有图像，并运行30个周期： 我的问题是，我想尝试新的图像（test），并想知道返回的类（0,1,2）。在这种情况下我该怎么办？换句话说，我训练了CNN，但如何测试它？ 编辑-1 对于评估精度点，我在测试20幅图像时得到以下结果： 当应用获取网络为测试数据点生成的标签时，我得到了以下信息： 为什

我是CNN和Tensorflow的初学者。我试图用自己的数据在tensorflow中实现卷积神经网络进行预测，但我遇到了一些问题。我将Deep MNIST for Experts教程转换为此。对于专家来说，深度分类是一种分类，但我正在尝试回归。另一个问题是，该代码为每一步提供的精度为1。错误的原因是什么？如何将此代码转换为回归？ 数据集： 代码： 输出： 我对神经网络和机器学习很陌生，所以请原谅我

我在colab中实现了下面的体系结构，用的是tenorflow和keras。我如何连接两个不同形状的不同层，以方便跳过连接。 谢啦 Sai公司

我正在尝试创建反向传播，但我不想使用TF中的GradientDescentOptimizer。我只是想更新我自己的权重和偏差。问题是，均方误差或成本并没有接近于零。它只是停留在0.2xxx左右。是因为我的输入是520x1600（是的，每个输入有1600个单位，是的，有520个单位），还是我隐藏层中的神经元数量有问题？我曾尝试使用GradientDescentOptimizer和minimize（c

对于初始模型，我主要遵循这一点。比方说，我想在每个训练循环上打印批次中使用的图像数据，即我想在“微调不同标签集上的模型”中打印每个训练迭代的“images”变量值代码，既然会话实际上是在slim中创建的，我该如何做呢。训练训练功能，因此我无法进行sess。在没有SES的情况下运行（[图像]）？

首先，我想道歉，因为我不允许发布太多代码，因为这是一个大学项目，但我真的被卡住了。 我正在尝试使用CIFAR-10数据集和TensorFlow，使用以下模型来训练ConvNet： 图片：[32,32,3] conv1: 5,5,3,64偏置[64]（初始化为0.0） 规范1：depth_radis=4，偏差=1.0，alpha=0.001/9.0，beta=0.75 pool1：ksize=[1,

我目前正在测试用TensorFlow Lite转换的CNN的推断延迟。我正在测试两个具有相同体系结构的CNN（我正在使用Windows操作系统的笔记本电脑上测试它们）： > 第一个模型：使用TFLite优化的TensorFlow模型，并量化其权重（使用Python TFLite API进行转换，并使用TensorFlow.lite.Optimize.DEFAULT进行量化）。它是动态范围量化。 第

在google发布的这篇论文（仅用于高效整数算术推理的神经网络量化和训练）中，量化方案描述如下： 哪里 M=S1*S2/S3 S1，S2和S3分别是输入和输出的尺度。 无论是“离线”还是“在线”，S1（和零点Z1）和S2（和零点Z2）都可以很容易地确定。但是S3（和零点Z3）呢？这些参数取决于“实际”输出刻度（即无量化值）。但输出规模在计算之前是未知的。 根据tensorflow文件： 在推理时，

我正在尝试让TensorFlow Lite示例在带有ARM Cortex-A72处理器的机器上运行。不幸的是，由于缺乏关于如何使用C API的示例，我无法部署测试模型。我将努力解释我迄今为止所取得的成就。 创建tflite模型 我创建了一个简单的线性回归模型并对其进行了转换，它应该近似于函数。我从一些教程中得到了这个代码片段，但是我再也找不到了。 这将创建一个名为的二进制文件，我应该能够加载它。