- c - 在位数组中找到第一个零
- linux - Unix 显示有关匹配两种模式之一的文件的信息
- 正则表达式替换多个文件
- linux - 隐藏来自 xtrace 的命令
我得到了这种格式的一些数据和以下详细信息:
person1, day1, feature1, feature2, ..., featureN, label
person1, day2, feature1, feature2, ..., featureN, label
...
person1, dayN, feature1, feature2, ..., featureN, label
person2, day1, feature1, feature2, ..., featureN, label
person2, day2, feature1, feature2, ..., featureN, label
...
person2, dayN, feature1, feature2, ..., featureN, label
...
目标是预测第二天该人的标签,因此第 N+1 天的标签,无论是基于每个人还是整体(每个人更有意义我)。我可以自由地重新格式化数据(它并不大)。基于以上阅读后我认为动态 RNN (LSTM) 最有效:
如果它对我的数据没有意义,请在这里打断我。那么问题来了:
如何为 tensorflow/tflearn 提供/格式化此数据?
我看过this使用 tflearn 的示例,但我不理解它的输入格式,因此我可以将其“镜像”到我的。同样,找到了this发布一个非常相似的问题,但似乎张贴者所拥有的样本彼此之间并不相关,因为它们在我的样本中。我对 tensorflow 的体验仅限于它的 get started页面。
最佳答案
dynamic: because not all features are present each day
您在这里对动态的概念有误。 Tensorflow 中的动态 RNN意味着图形是在执行期间动态创建的,但输入始终是相同的大小(0,因为缺少某个功能应该可以正常工作)。
无论如何,您在这里得到的是特征向量 (feature1 ... featureN) 的不同长度(day1 ... day?)的序列。首先,你需要一个 LSTM cell
cell = tf.contrib.rnn.LSTMcell(size)
因此您可以使用 tf.nn.dynamic_rnn 创建一个动态展开的 rnn 图.来自文档:
inputs: The RNN inputs.
If time_major == False (default), this must be a Tensor of shape: [batch_size, max_time, ...], or a nested tuple of such elements.
其中 max_time 指的是输入序列长度。因为我们使用的是 dynamic_rnn,序列长度不需要在编译时定义,所以你的输入占位符可以是:
x = tf.placeholder(tf.float32, shape=(batch_size, None, N))
然后将其送入 rnn 中
outputs, state = tf.nn.dynamic_rnn(cell, x)
这意味着您的输入数据应该具有 (batch_size, seq_length, N)
的形状。如果一批中的示例长度不同,您应该用 0 向量填充它们到最大长度,并将适当的 sequence_length
参数传递给 dynamic_rnn
显然我跳过了很多细节,所以要完全理解 RNN,您可能应该阅读许多优秀的 RNN 教程之一,例如 this one例如。
关于python - Tensorflow 动态循环神经网络 (LSTM) : how to format input?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/43341374/
我想将模型及其各自训练的权重从 tensorflow.js 转换为标准 tensorflow,但无法弄清楚如何做到这一点,tensorflow.js 的文档对此没有任何说明 我有一个 manifest
我有一个运行良好的 TF 模型,它是用 Python 和 TFlearn 构建的。有没有办法在另一个系统上运行这个模型而不安装 Tensorflow?它已经经过预训练,所以我只需要通过它运行数据。 我
当执行 tensorflow_model_server 二进制文件时,它需要一个模型名称命令行参数,model_name。 如何在训练期间指定模型名称,以便在运行 tensorflow_model_s
我一直在 R 中使用标准包进行生存分析。我知道如何在 TensorFlow 中处理分类问题,例如逻辑回归,但我很难将其映射到生存分析问题。在某种程度上,您有两个输出向量而不是一个输出向量(time_t
Torch7 has a library for generating Gaussian Kernels在一个固定的支持。 Tensorflow 中有什么可比的吗?我看到 these distribu
在Keras中我们可以简单的添加回调,如下所示: self.model.fit(X_train,y_train,callbacks=[Custom_callback]) 回调在doc中定义,但我找不到
我正在寻找一种在 tensorflow 中有条件打印节点的方法,使用下面的示例代码行,其中每 10 个循环计数,它应该在控制台中打印一些东西。但这对我不起作用。谁能建议? 谢谢,哈米德雷萨, epsi
我想使用 tensorflow object detection API 创建我自己的 .tfrecord 文件,并将它们用于训练。该记录将是原始数据集的子集,因此模型将仅检测特定类别。我不明白也无法
我在 TensorFlow 中训练了一个聊天机器人,想保存模型以便使用 TensorFlow.js 将其部署到 Web。我有以下内容 checkpoint = "./chatbot_weights.c
我最近开始学习 Tensorflow,特别是我想使用卷积神经网络进行图像分类。我一直在看官方仓库中的android demo,特别是这个例子:https://github.com/tensorflow
我目前正在研究单图像超分辨率,并且我设法卡住了现有的检查点文件并将其转换为 tensorflow lite。但是,使用 .tflite 文件执行推理时,对一张图像进行上采样所需的时间至少是使用 .ck
我注意到 tensorflow 的 api 中已经有批量标准化函数。我不明白的一件事是如何更改训练和测试之间的程序? 批量归一化在测试和训练期间的作用不同。具体来说,在训练期间使用固定的均值和方差。
我创建了一个模型,该模型将 Mobilenet V2 应用于 Google colab 中的卷积基础层。然后我使用这个命令转换它: path_to_h5 = working_dir + '/Tenso
代码取自:- http://adventuresinmachinelearning.com/python-tensorflow-tutorial/ import tensorflow as tf fr
好了,所以我准备在Tensorflow中运行 tf.nn.softmax_cross_entropy_with_logits() 函数。 据我了解,“logit”应该是概率的张量,每个对应于某个像素的
tensorflow 服务构建依赖于大型 tensorflow ;但我已经成功构建了 tensorflow。所以我想用它。我做这些事情:我更改了 tensorflow 服务 WORKSPACE(org
Tensoflow 嵌入层 ( https://www.tensorflow.org/api_docs/python/tf/keras/layers/Embedding ) 易于使用, 并且有大量的文
我正在尝试使用非常大的数据集(比我的内存大得多)训练 Tensorflow 模型。 为了充分利用所有可用的训练数据,我正在考虑将它们分成几个小的“分片”,并一次在一个分片上进行训练。 经过一番研究,我
根据 Sutton 的书 - Reinforcement Learning: An Introduction,网络权重的更新方程为: 其中 et 是资格轨迹。 这类似于带有额外 et 的梯度下降更新。
如何根据条件选择执行图表的一部分? 我的网络有一部分只有在 feed_dict 中提供占位符值时才会执行.如果未提供该值,则采用备用路径。我该如何使用 tensorflow 来实现它? 以下是我的代码
我是一名优秀的程序员,十分优秀!