- android - 多次调用 OnPrimaryClipChangedListener
- android - 无法更新 RecyclerView 中的 TextView 字段
- android.database.CursorIndexOutOfBoundsException : Index 0 requested, 光标大小为 0
- android - 使用 AppCompat 时,我们是否需要明确指定其 UI 组件(Spinner、EditText)颜色
我正在使用预置向量来创建这样的嵌入
import numpy
import gensim
import tensorflow
ft_model=gensim.models.KeyedVectors.load_word2vec_format("ft_model.vec")
vocabulary=ft_model.vocab
embeddings=numpy.array([ft_model.word_vec(x) for x in vocabulary.keys()])
vocabulary_size=len(vocabulary)
embedding_size=embeddings.shape[1]
W=tensorflow.Variable(
tensorflow.constant(0.0, shape=[vocabulary_size, embedding_size]),
trainable=False,
name="W"
)
embedding_placeholder=tensorflow.placeholder(
tensorflow.float32,[vocabulary_size,embedding_size],
name="fasttext_vector"
)
embedding_init=W.assign(embedding_placeholder)
data_placeholder=tensorflow.placeholder(tensorflow.int32,shape=[None, max_length])
embedding_layer=tensorflow.nn.embedding_lookup(W, data_placeholder)
在它短暂地运行 1 或两个训练批处理并且代码完全崩溃后,我得到了一个错误!
ResourceExhaustedError (see above for traceback): OOM when allocating tensor with shape[5000,14621,100]
堆栈跟踪清楚地表明这是由 embedding_layer=tensorflow.nn.embedding_lookup(W, data_placeholder)
行引起的。知道是什么原因造成的吗? 100 是嵌入大小,但其他数字(5000、14621)相当奇怪,比我预期的要大,而且似乎导致 TensorFlow 完全耗尽所有 GPU 内存!嵌入查找看起来很常见,我合并的 .vec 文件非常小。
最佳答案
可能是您的计算机内存 (RAM) 不足。在启动模型之前先查看任务管理器。我有 16 GB 和 79%,所以它用完了。在准备好数据后,使用 jupyter notebook 查看剩余的 Ram 数量可能会有所帮助
关于python - TensorFlow 在执行 embedding_lookup 时内存不足 (ResourceExhaustedError),我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/48552542/
我有一些相当于稀疏softmax的东西: ... with tf.device('/gpu:0'): indices = tf.placeholder(tf.int32, [None, dim
我正在尝试通过 TensorFlow tf.nn.embedding_lookup() 函数“从头开始”学习 imdb 数据集的单词表示。如果我理解正确的话,我必须在另一个隐藏层之前设置一个嵌入层,然
我遇到的一些教程,使用随机初始化的嵌入矩阵进行描述,然后使用 tf.nn.embedding_lookup 函数获取整数序列的嵌入。我的印象是,由于 embedding_matrix 是通过 tf.g
我想我在这里遗漏了一些明显的东西,但希望得到一些帮助来解决这个问题。 假设我有一百万个单词,并希望将它们作为模型的一部分嵌入。 使用 TF,我可以进行嵌入查找,但我需要提供大小为 [1m*space_
tf.nn.embedding_lookup(params, ids, partition_strategy='mod', name=None) 我无法理解这个函数的职责。它像查找表吗?即返回每个id
我想知道为什么 tf.nn.embedding_lookup 使用张量列表,而 tf.gather 只对单个张量执行查找。为什么我需要对多个嵌入进行查找? 我想我在某处读到它对于在大型嵌入上节省内存很
我想实现一个带有浮点输入而不是 int32 或 64b 的嵌入表。原因是我不想使用简单 RNN 中的单词,而是使用百分比。例如,如果是食谱;我可能有1000或3000种原料;但在每个食谱中我可能最多有
我想使用scatter_nd_update来更改从tf.nn.embedding_lookup()返回的张量的内容。但是,返回的张量不可变,并且 scatter_nd_update() 需要可变张量作
我正在使用预置向量来创建这样的嵌入 import numpy import gensim import tensorflow ft_model=gensim.models.KeyedVectors.l
在查看tensorflow的官方示例代码ptb_word_ln.py时,我有一个关于embedding_lookup的问题。 the embedding_lookup node 我发现它仅用作输入。输
我正在解决一个文本分类问题。我使用 Estimator 定义了我的分类器我自己的类(class)model_fn .我想用谷歌预训练的word2vec嵌入为初始值,然后针对手头的任务进一步优化它。 我
要提取输入数据的嵌入表示,tensorflow 文档说我们可以使用以下内容: embed = tf.nn.embedding_lookup(embeddings, input_data) 加入 TF
在馈入嵌入层时,我看到了两种类型的填充。 eg: considering two sentences: word1 = "I am a dog person." word2 = "Krishni an
我是一名优秀的程序员,十分优秀!