- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我对以下代码感到困惑:
import tensorflow as tfimport numpy as npfrom tensorflow.python.framework import opsfrom tensorflow.python.ops import array_opsfrom tensorflow.python.ops import control_flow_opsfrom tensorflow.python.ops import math_opsfrom tensorflow.python.framework import dtypes'''Randomly crop a tensor, then return the crop position'''def random_crop(value, size, seed=None, name=None): with ops.name_scope(name, "random_crop", [value, size]) as name: value = ops.convert_to_tensor(value, name="value") size = ops.convert_to_tensor(size, dtype=dtypes.int32, name="size") shape = array_ops.shape(value) check = control_flow_ops.Assert( math_ops.reduce_all(shape >= size), ["Need value.shape >= size, got ", shape, size], summarize=1000) shape = control_flow_ops.with_dependencies([check], shape) limit = shape - size + 1 begin = tf.random_uniform( array_ops.shape(shape), dtype=size.dtype, maxval=size.dtype.max, seed=seed) % limit return tf.slice(value, begin=begin, size=size, name=name), beginsess = tf.InteractiveSession()size = [10]a = tf.constant(np.arange(0, 100, 1))print (a.eval())a_crop, begin = random_crop(a, size = size, seed = 0)print ("offset: {}".format(begin.eval()))print ("a_crop: {}".format(a_crop.eval()))a_slice = tf.slice(a, begin=begin, size=size)print ("a_slice: {}".format(a_slice.eval()))assert (tf.reduce_all(tf.equal(a_crop, a_slice)).eval() == True)sess.close()
输出:
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99]offset: [46]a_crop: [89 90 91 92 93 94 95 96 97 98]a_slice: [27 28 29 30 31 32 33 34 35 36]
有两个tf.slice
选项:
(1)。在函数random_crop中调用,如tf.slice(value, begin=begin, size=size, name=name)
(2)。称为 a_slice = tf.slice(a, begin=begin, size=size)
这两个 values
的参数( begin
、 size
和 slice
)操作是一样的。
但是,为什么打印值 a_crop
和a_slice
不同并且 tf.reduce_all(tf.equal(a_crop, a_slice)).eval()
是真的吗?
谢谢
编辑1谢谢@xdurch0,我现在明白第一个问题了。 tensorflow random_uniform
看起来像一个随机生成器。
import tensorflow as tfimport numpy as npsess = tf.InteractiveSession()size = [10]np_begin = np.random.randint(0, 50, size=1)tf_begin = tf.random_uniform(shape = [1], minval=0, maxval=50, dtype=tf.int32, seed = 0)a = tf.constant(np.arange(0, 100, 1))a_slice = tf.slice(a, np_begin, size = size)print ("a_slice: {}".format(a_slice.eval()))a_slice = tf.slice(a, np_begin, size = size)print ("a_slice: {}".format(a_slice.eval()))a_slice = tf.slice(a, tf_begin, size = size)print ("a_slice: {}".format(a_slice.eval()))a_slice = tf.slice(a, tf_begin, size = size)print ("a_slice: {}".format(a_slice.eval()))sess.close()
输出
a_slice: [42 43 44 45 46 47 48 49 50 51]a_slice: [42 43 44 45 46 47 48 49 50 51]a_slice: [41 42 43 44 45 46 47 48 49 50]a_slice: [29 30 31 32 33 34 35 36 37 38]
最佳答案
这里令人困惑的是,tf.random_uniform
(就像 TensorFlow 中的每个随机操作一样)在每次评估调用(每次调用 .eval()
或者,一般来说,每次调用 tf.Session.run
)。因此,如果您评估 a_crop
,您会得到一件事,如果您评估 a_slice
,您会得到另一件事,但如果您评估 tf.reduce_all(tf.equal( a_crop, a_slice))
得到 True
,因为所有内容都是在单个评估步骤中计算的,因此仅生成一个随机值,并且它确定 a_crop< 的值
和 a_slice
。另一个例子是这样的,如果你运行 tf.stack([a_crop, a_slice]).eval() ,你将得到一个具有相等行数的张量;同样,只产生了一个随机值。更一般地说,如果您使用多个张量调用 tf.Session.run 进行评估,则该调用中的所有计算都将使用相同的随机值。
顺便说一句,如果您确实需要在计算中保留一个随机值以供以后计算,最简单的方法就是使用 tf.Session.run 检索 if以及任何其他所需的计算,稍后通过 feed_dict 反馈;或者您可以有一个 tf.Variable 并在其中存储随机值。更高级的可能性是使用 partial_run
,一个实验性 API,允许您评估计算图的一部分并在稍后继续评估它,同时保持相同的状态(即相同的随机值等)。
关于python - 了解 tensorflow 切片操作,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/52387537/
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!