- 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?
我对植物编程非常陌生。我在训练时保存了 tensorflow 神经网络:
n_hidden_1 =200
n_hidden_2 =100 # 1st layer num features
n_hidden_3 = 100 # 2nd layer num features
n_input = 128 n_output = 128
X = tf.placeholder("float", [None, n_input])
Y = tf.placeholder("float", [None, n_output])
def encoder(x):
weights = {
'encoder_w1': tf.Variable(tf.random.truncated_normal([n_input, n_hidden_1],stddev=0.1),name='encoder_w1'),
'encoder_w2': tf.Variable(tf.random.truncated_normal([n_hidden_1, n_hidden_2],stddev=0.1),name='encoder_w2'),
'encoder_w3': tf.Variable(tf.random.truncated_normal([n_hidden_2, n_hidden_3],stddev=0.1),name='encoder_w3'),
'encoder_w4': tf.Variable(tf.random.truncated_normal([n_hidden_3, n_output],stddev=0.1),name='encoder_w4'),
}
biases = {
'encoder_b1': tf.Variable(tf.random.truncated_normal([n_hidden_1],stddev=0.1),name='encoder_b1'),
'encoder_b2': tf.Variable(tf.random.truncated_normal([n_hidden_2],stddev=0.1),name='encoder_b2'),
'encoder_b3': tf.Variable(tf.random.truncated_normal([n_hidden_3],stddev=0.1),name='encoder_b3'),
'encoder_b4': tf.Variable(tf.random.truncated_normal([n_output],stddev=0.1),name='encoder_b4'),
}
# Encoder Hidden layer with sigmoid activation #1
#layer_1 = tf.nn.sigmoid(tf.add(tf.matmul(x, weights['encoder_h1']), biases['encoder_b1']))
layer_1 = tf.nn.relu(tf.add(tf.matmul(x, weights['encoder_w1']), biases['encoder_b1']))
layer_2 = tf.nn.relu(tf.add(tf.matmul(layer_1, weights['encoder_w2']), biases['encoder_b2']))
layer_3 = tf.nn.relu(tf.add(tf.matmul(layer_2, weights['encoder_w3']), biases['encoder_b3']))
layer_4 = tf.nn.sigmoid(tf.add(tf.matmul(layer_3, weights['encoder_w4']), biases['encoder_b4']))
return layer_4
y_pred = encoder(X)
y_true = Y
# Define loss and optimizer, minimize the squared error
cost = tf.reduce_mean(tf.pow(y_true - y_pred, 2))
learning_rate = tf.placeholder(tf.float32, shape=[])
optimizer = tf.train.RMSPropOptimizer(learning_rate=learning_rate).minimize(cost)
saver = tf.train.Saver(max_to_keep=1)
with tf.Session(config=config) as sess:
sess.run(init)
traing_epochs = 100
learning_rate_current = 0.001 #0.01
for epoch in range(traing_epochs):
> # Code Block.................
input_labels.append(x)
input_samples.append(y)
batch_x = np.asarray(input_samples)
batch_y = np.asarray(input_labels
_,c = sess.run([optimizer,cost], feed_dict={X:batch_x, Y:batch_y, learning_rate:learning_rate_current})
训练后,我将训练好的网络打印变量加载为:
with tf.Session() as sess2:
saver2= tf.train.import_meta_graph('../my_model.ckpt.meta')
saver2.restore(sess2,'../my_model.ckpt')
savevariable=tf.all_variables()
训练后我看到保存的变量,存在 48 个变量(为什么 8 个初始参数增加到 48 个值我不明白)我有 4 个权重和 4 个偏差用于第 1 层、第 2 层和第 3 层以及第 4 层的初始值.为了预测我应该从这个保存的值中使用哪 4 个权重和 4 个偏差??我很困惑。在此处打印保存变量:
<tf.Variable 'encoder_w1:0' shape=(128, 200) dtype=float32_ref>,
<tf.Variable 'encoder_w2:0' shape=(200, 100) dtype=float32_ref>,
<tf.Variable 'encoder_w3:0' shape=(100, 100) dtype=float32_ref>,
<tf.Variable 'encoder_w4:0' shape=(100, 128) dtype=float32_ref>,
<tf.Variable 'encoder_b1:0' shape=(200,) dtype=float32_ref>,
<tf.Variable 'encoder_b2:0' shape=(100,) dtype=float32_ref>,
<tf.Variable 'encoder_b3:0' shape=(100,) dtype=float32_ref>,
<tf.Variable 'encoder_b4:0' shape=(128,) dtype=float32_ref>,
<tf.Variable 'encoder_w1/RMSProp:0' shape=(128, 200) dtype=float32_ref>,
<tf.Variable 'encoder_w1/RMSProp_1:0' shape=(128, 200) dtype=float32_ref>,
<tf.Variable 'encoder_w2/RMSProp:0' shape=(200, 100) dtype=float32_ref>,
<tf.Variable 'encoder_w2/RMSProp_1:0' shape=(200, 100) dtype=float32_ref>,
<tf.Variable 'encoder_w3/RMSProp:0' shape=(100, 100) dtype=float32_ref>,
<tf.Variable 'encoder_w3/RMSProp_1:0' shape=(100, 100) dtype=float32_ref>,
<tf.Variable 'encoder_w4/RMSProp:0' shape=(100, 128) dtype=float32_ref>,
<tf.Variable 'encoder_w4/RMSProp_1:0' shape=(100, 128) dtype=float32_ref>,
<tf.Variable 'encoder_b1/RMSProp:0' shape=(200,) dtype=float32_ref>,
<tf.Variable 'encoder_b1/RMSProp_1:0' shape=(200,) dtype=float32_ref>,
<tf.Variable 'encoder_b2/RMSProp:0' shape=(100,) dtype=float32_ref>,
<tf.Variable 'encoder_b2/RMSProp_1:0' shape=(100,) dtype=float32_ref>,
<tf.Variable 'encoder_b3/RMSProp:0' shape=(100,) dtype=float32_ref>,
<tf.Variable 'encoder_b3/RMSProp_1:0' shape=(100,) dtype=float32_ref>,
<tf.Variable 'encoder_b4/RMSProp:0' shape=(128,) dtype=float32_ref>,
<tf.Variable 'encoder_b4/RMSProp_1:0' shape=(128,) dtype=float32_ref>,
<tf.Variable 'encoder_w1:0' shape=(128, 200) dtype=float32_ref>,
<tf.Variable 'encoder_w2:0' shape=(200, 100) dtype=float32_ref>,
<tf.Variable 'encoder_w3:0' shape=(100, 100) dtype=float32_ref>,
<tf.Variable 'encoder_w4:0' shape=(100, 128) dtype=float32_ref>,
<tf.Variable 'encoder_b1:0' shape=(200,) dtype=float32_ref>,
<tf.Variable 'encoder_b2:0' shape=(100,) dtype=float32_ref>,
<tf.Variable 'encoder_b3:0' shape=(100,) dtype=float32_ref>,
<tf.Variable 'encoder_b4:0' shape=(128,) dtype=float32_ref>,
<tf.Variable 'encoder_w1/RMSProp:0' shape=(128, 200) dtype=float32_ref>,
<tf.Variable 'encoder_w1/RMSProp_1:0' shape=(128, 200) dtype=float32_ref>,
<tf.Variable 'encoder_w2/RMSProp:0' shape=(200, 100) dtype=float32_ref>,
<tf.Variable 'encoder_w2/RMSProp_1:0' shape=(200, 100) dtype=float32_ref>,
<tf.Variable 'encoder_w3/RMSProp:0' shape=(100, 100) dtype=float32_ref>,
<tf.Variable 'encoder_w3/RMSProp_1:0' shape=(100, 100) dtype=float32_ref>,
<tf.Variable 'encoder_w4/RMSProp:0' shape=(100, 128) dtype=float32_ref>,
<tf.Variable 'encoder_w4/RMSProp_1:0' shape=(100, 128) dtype=float32_ref>,
<tf.Variable 'encoder_b1/RMSProp:0' shape=(200,) dtype=float32_ref>,
<tf.Variable 'encoder_b1/RMSProp_1:0' shape=(200,) dtype=float32_ref>,
<tf.Variable 'encoder_b2/RMSProp:0' shape=(100,) dtype=float32_ref>,
<tf.Variable 'encoder_b2/RMSProp_1:0' shape=(100,) dtype=float32_ref>,
<tf.Variable 'encoder_b3/RMSProp:0' shape=(100,) dtype=float32_ref>,
<tf.Variable 'encoder_b3/RMSProp_1:0' shape=(100,) dtype=float32_ref>,
<tf.Variable 'encoder_b4/RMSProp:0' shape=(128,) dtype=float32_ref>,
<tf.Variable 'encoder_b4/RMSProp_1:0' shape=(128,) dtype=float32_ref>
你能给我一些建议吗??
最佳答案
首先你犯了一个错误:
input_labels.append(x)
input_samples.append(y)
应该是:
input_samples.append(x)
input_labels.append(y)
回答您的问题:
实际上您应该有 24 个变量(见下文),但是当您开始第二个 session 时,原始 Tensorflow 变量仍然存在,新加载的变量是在这些变量上创建的。所以做这样的事情总是好的:
tf.keras.backend.clear_session()
你的batch定义有点问题,所以我也在我的示例代码中修复了它:
注意:OP 在我回答时没有提供可重现的示例,因此我根据初始数据创建了一个示例并根据 OP 的问题对其进行了评论:
导入所有模块
import numpy as np
from numpy import random as random
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
清除所有 session 数据,这些数据很容易在交互环境中积累。
tf.keras.backend.clear_session()
定义我们稍后需要的所有元素:
X_train = random.rand(100, 128)
y_train = random.rand(100, 128)
n_hidden_1 =200
n_hidden_2 =100 # 1st layer num features
n_hidden_3 = 100 # 2nd layer num features
n_input = 128
n_output = 128
X = tf.compat.v1.placeholder("float", [None, n_input])
Y = tf.compat.v1.placeholder("float", [None, n_output])
def encoder(x):
weights = {
'encoder_w1': tf.Variable(tf.random.truncated_normal([n_input, n_hidden_1],stddev=0.1),name='encoder_w1'),
'encoder_w2': tf.Variable(tf.random.truncated_normal([n_hidden_1, n_hidden_2],stddev=0.1),name='encoder_w2'),
'encoder_w3': tf.Variable(tf.random.truncated_normal([n_hidden_2, n_hidden_3],stddev=0.1),name='encoder_w3'),
'encoder_w4': tf.Variable(tf.random.truncated_normal([n_hidden_3, n_output],stddev=0.1),name='encoder_w4'),
}
biases = {
'encoder_b1': tf.Variable(tf.random.truncated_normal([n_hidden_1],stddev=0.1),name='encoder_b1'),
'encoder_b2': tf.Variable(tf.random.truncated_normal([n_hidden_2],stddev=0.1),name='encoder_b2'),
'encoder_b3': tf.Variable(tf.random.truncated_normal([n_hidden_3],stddev=0.1),name='encoder_b3'),
'encoder_b4': tf.Variable(tf.random.truncated_normal([n_output],stddev=0.1),name='encoder_b4'),
}
# Encoder Hidden layer with sigmoid activation #1
#layer_1 = tf.nn.sigmoid(tf.add(tf.matmul(x, weights['encoder_h1']), biases['encoder_b1']))
layer_1 = tf.nn.relu(tf.add(tf.matmul(x, weights['encoder_w1']), biases['encoder_b1']))
layer_2 = tf.nn.relu(tf.add(tf.matmul(layer_1, weights['encoder_w2']), biases['encoder_b2']))
layer_3 = tf.nn.relu(tf.add(tf.matmul(layer_2, weights['encoder_w3']), biases['encoder_b3']))
layer_4 = tf.nn.sigmoid(tf.add(tf.matmul(layer_3, weights['encoder_w4']), biases['encoder_b4']))
return layer_4
y_pred = encoder(X)
y_true = Y
# Define loss and optimizer, minimize the squared error
cost = tf.reduce_mean(tf.pow(y_true - y_pred, 2))
learning_rate = tf.compat.v1.placeholder(tf.float32, shape=[])
optimizer = tf.compat.v1.train.RMSPropOptimizer(learning_rate=learning_rate).minimize(cost)
saver = tf.compat.v1.train.Saver(max_to_keep=1)
init = tf.compat.v1.global_variables_initializer()
开始训练:
with tf.compat.v1.Session() as sess:
sess.run(init)
traing_epochs = 100
learning_rate_current = 0.001 #0.01
# define batch size
batch_size = 10
num_samples = (X_train.shape[0])
# starting training loop
for epoch in range(traing_epochs):
print("Epoch " + str(epoch))
# starting per batch training loop
for i in range(int(num_samples/batch_size)):
print("{}/{}".format(batch_size * i, num_samples))
# get batches
batch_x = X_train[i * batch_size:(i + 1) * batch_size]
batch_y = y_train[i * batch_size:(i + 1) * batch_size]
_,c = sess.run([optimizer,cost],
feed_dict={X: batch_x, Y: batch_y,
learning_rate: learning_rate_current})
saver.export_meta_graph('../my_model.ckpt.meta')
saver.save(sess, '../my_model.ckpt')
输出:
.
.
.
70/100
80/100
90/100
100/100
Epoch 99
10/100
20/100
30/100
40/100
50/100
60/100
70/100
80/100
90/100
100/100
清除所有以前的 session 数据,同时删除 tensorflow 变量
tf.keras.backend.clear_session()
重新加载以前保存的 session :
init = tf.compat.v1.global_variables_initializer()
with tf.compat.v1.Session() as sess2:
sess2.run(init)
saver2 = tf.compat.v1.train.import_meta_graph('../my_model.ckpt.meta')
saver2.restore(sess2,'../my_model.ckpt')
savevariable = tf.compat.v1.all_variables()
for i, variable in enumerate(savevariable):
print("Variable {}: {}".format(i, variable))
Out:
INFO:tensorflow:Restoring parameters from ../my_model.ckpt
8 个您预期的权重和偏差变量:
Variable 0: <tf.Variable 'encoder_w1:0' shape=(128, 200) dtype=float32>
Variable 1: <tf.Variable 'encoder_w2:0' shape=(200, 100) dtype=float32>
Variable 2: <tf.Variable 'encoder_w3:0' shape=(100, 100) dtype=float32>
Variable 3: <tf.Variable 'encoder_w4:0' shape=(100, 128) dtype=float32>
Variable 4: <tf.Variable 'encoder_b1:0' shape=(200,) dtype=float32>
Variable 5: <tf.Variable 'encoder_b2:0' shape=(100,) dtype=float32>
Variable 6: <tf.Variable 'encoder_b3:0' shape=(100,) dtype=float32>
Variable 7: <tf.Variable 'encoder_b4:0' shape=(128,) dtype=float32>
2 x 8 权重和偏差变量作为优化器的累加器变量,我们能够重新加载实际的优化器状态以从该状态继续:
Variable 8: <tf.Variable 'encoder_w1/RMSProp:0' shape=(128, 200) dtype=float32>
Variable 9: <tf.Variable 'encoder_w1/RMSProp_1:0' shape=(128, 200) dtype=float32>
Variable 10: <tf.Variable 'encoder_w2/RMSProp:0' shape=(200, 100) dtype=float32>
Variable 11: <tf.Variable 'encoder_w2/RMSProp_1:0' shape=(200, 100) dtype=float32>
Variable 12: <tf.Variable 'encoder_w3/RMSProp:0' shape=(100, 100) dtype=float32>
Variable 13: <tf.Variable 'encoder_w3/RMSProp_1:0' shape=(100, 100) dtype=float32>
Variable 14: <tf.Variable 'encoder_w4/RMSProp:0' shape=(100, 128) dtype=float32>
Variable 15: <tf.Variable 'encoder_w4/RMSProp_1:0' shape=(100, 128) dtype=float32>
Variable 16: <tf.Variable 'encoder_b1/RMSProp:0' shape=(200,) dtype=float32>
Variable 17: <tf.Variable 'encoder_b1/RMSProp_1:0' shape=(200,) dtype=float32>
Variable 18: <tf.Variable 'encoder_b2/RMSProp:0' shape=(100,) dtype=float32>
Variable 19: <tf.Variable 'encoder_b2/RMSProp_1:0' shape=(100,) dtype=float32>
Variable 20: <tf.Variable 'encoder_b3/RMSProp:0' shape=(100,) dtype=float32>
Variable 21: <tf.Variable 'encoder_b3/RMSProp_1:0' shape=(100,) dtype=float32>
Variable 22: <tf.Variable 'encoder_b4/RMSProp:0' shape=(128,) dtype=float32>
Variable 23: <tf.Variable 'encoder_b4/RMSProp_1:0' shape=(128,) dtype=float32>
更新回答 OP 的其他问题:
这些变量是初始值还是最后更新的值 session 已保存?:
这些是我们在重新加载后打印的最后更新值。
事实上,确切的一点是,当我在另一个中重新加载 session 时python 文件,我想预测经过训练的网络的输出变量。我应该使用变量 0 到变量 7 还是我应该使用 16 个优化器累加器变量吗?
当您将使用重新加载的模型参数进行预测时,您只需要前 8 个变量,其他仅用于继续训练。
关于优化器的状态变量:它取决于给定的优化器,例如它可以是 iteration
和 momentum
等
关于python - 根据保存的 tensorflow 变量进行预测,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/59456161/
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!