- 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
我遇到占位符错误。
我不知道这是什么意思,因为我在 sess.run(..., {_y: y, _X: X})
...功能性 MWE 重现错误:
import tensorflow as tf
import numpy as np
def init_weights(shape):
return tf.Variable(tf.random_normal(shape, stddev=0.01))
class NeuralNet:
def __init__(self, hidden):
self.hidden = hidden
def __del__(self):
self.sess.close()
def fit(self, X, y):
_X = tf.placeholder('float', [None, None])
_y = tf.placeholder('float', [None, 1])
w0 = init_weights([X.shape[1], self.hidden])
b0 = tf.Variable(tf.zeros([self.hidden]))
w1 = init_weights([self.hidden, 1])
b1 = tf.Variable(tf.zeros([1]))
self.sess = tf.Session()
self.sess.run(tf.initialize_all_variables())
h = tf.nn.sigmoid(tf.matmul(_X, w0) + b0)
self.yp = tf.nn.sigmoid(tf.matmul(h, w1) + b1)
C = tf.reduce_mean(tf.square(self.yp - y))
o = tf.train.GradientDescentOptimizer(0.5).minimize(C)
correct = tf.equal(tf.argmax(_y, 1), tf.argmax(self.yp, 1))
accuracy = tf.reduce_mean(tf.cast(correct, "float"))
tf.scalar_summary("accuracy", accuracy)
tf.scalar_summary("loss", C)
merged = tf.merge_all_summaries()
import shutil
shutil.rmtree('logs')
writer = tf.train.SummaryWriter('logs', self.sess.graph_def)
for i in xrange(1000+1):
if i % 100 == 0:
res = self.sess.run([o, merged], feed_dict={_X: X, _y: y})
else:
self.sess.run(o, feed_dict={_X: X, _y: y})
return self
def predict(self, X):
yp = self.sess.run(self.yp, feed_dict={_X: X})
return (yp >= 0.5).astype(int)
X = np.array([ [0,0,1],[0,1,1],[1,0,1],[1,1,1]])
y = np.array([[0],[1],[1],[0]]])
m = NeuralNet(10)
m.fit(X, y)
yp = m.predict(X)[:, 0]
print accuracy_score(y, yp)
错误:
I tensorflow/core/common_runtime/local_device.cc:40] Local device intra op parallelism threads: 8
I tensorflow/core/common_runtime/direct_session.cc:58] Direct session inter op parallelism threads: 8
0.847222222222
W tensorflow/core/common_runtime/executor.cc:1076] 0x2340f40 Compute status: Invalid argument: You must feed a value for placeholder tensor 'Placeholder_1' with dtype float
[[Node: Placeholder_1 = Placeholder[dtype=DT_FLOAT, shape=[], _device="/job:localhost/replica:0/task:0/cpu:0"]()]]
W tensorflow/core/common_runtime/executor.cc:1076] 0x2340f40 Compute status: Invalid argument: You must feed a value for placeholder tensor 'Placeholder' with dtype float
[[Node: Placeholder = Placeholder[dtype=DT_FLOAT, shape=[], _device="/job:localhost/replica:0/task:0/cpu:0"]()]]
Traceback (most recent call last):
File "neuralnet.py", line 64, in <module>
m.fit(X[tr], y[tr, np.newaxis])
File "neuralnet.py", line 44, in fit
res = self.sess.run([o, merged], feed_dict={self._X: X, _y: y})
File "/usr/local/lib/python2.7/dist-packages/tensorflow/python/client/session.py", line 368, in run
results = self._do_run(target_list, unique_fetch_targets, feed_dict_string)
File "/usr/local/lib/python2.7/dist-packages/tensorflow/python/client/session.py", line 444, in _do_run
e.code)
tensorflow.python.framework.errors.InvalidArgumentError: You must feed a value for placeholder tensor 'Placeholder_1' with dtype float
[[Node: Placeholder_1 = Placeholder[dtype=DT_FLOAT, shape=[], _device="/job:localhost/replica:0/task:0/cpu:0"]()]]
Caused by op u'Placeholder_1', defined at:
File "neuralnet.py", line 64, in <module>
m.fit(X[tr], y[tr, np.newaxis])
File "neuralnet.py", line 16, in fit
_y = tf.placeholder('float', [None, 1])
File "/usr/local/lib/python2.7/dist-packages/tensorflow/python/ops/array_ops.py", line 673, in placeholder
name=name)
File "/usr/local/lib/python2.7/dist-packages/tensorflow/python/ops/gen_array_ops.py", line 463, in _placeholder
name=name)
File "/usr/local/lib/python2.7/dist-packages/tensorflow/python/ops/op_def_library.py", line 664, in apply_op
op_def=op_def)
File "/usr/local/lib/python2.7/dist-packages/tensorflow/python/framework/ops.py", line 1834, in create_op
original_op=self._default_original_op, op_def=op_def)
File "/usr/local/lib/python2.7/dist-packages/tensorflow/python/framework/ops.py", line 1043, in __init__
self._traceback = _extract_stack()
如果我删除 tf.merge_all_summaries()
或从 self.sess.run([o, merged], ...)
然后它运行正常。
这看起来类似于这篇文章: Error when computing summaries in TensorFlow但是,我没有使用 iPython...
最佳答案
tf.merge_all_summaries()
函数很方便,但也有些危险:它合并默认图中的所有摘要,其中包括来自之前的任何摘要——显然是未连接的- 调用代码也将摘要节点添加到默认图形。如果旧的摘要节点依赖于旧的占位符,您将得到类似于您在问题中显示的错误(以及 previous questions)。
有两个独立的解决方法:
确保您明确收集了您希望计算的摘要。这就像使用显式 tf.merge_summary()
一样简单op 在你的例子中:
accuracy_summary = tf.scalar_summary("accuracy", accuracy)
loss_summary = tf.scalar_summary("loss", C)
merged = tf.merge_summary([accuracy_summary, loss_summary])
确保每次创建一组新的摘要时,都在一个新图表中进行。推荐的样式是使用显式默认图:
with tf.Graph().as_default():
# Build model and create session in this scope.
#
# Only summary nodes created in this scope will be returned by a call to
# `tf.merge_all_summaries()`
或者,如果您使用的是最新开源版本的 TensorFlow(或即将发布的 0.7.0 版本),您可以调用 tf.reset_default_graph()
重置图的状态并删除所有旧的摘要节点。
关于python - TensorFlow:使用 tf.merge_all_summaries() 时出现 PlaceHolder 错误,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/35413618/
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!