python - ValueError : Cannot set tensor: Got value of type NOTYPE but expected type FLOAT64 for input 0, 名称:serving_default_z_raw

python - ValueError : Cannot set tensor: Got value of type NOTYPE but expected type FLOAT64 for input 0, 名称:serving_default_z_raw_min:0

转载作者：行者123 更新时间：2023-12-05 06:01:26

我正在尝试测试转换后的 tflite 模型，但出现以下错误

ValueError: Cannot set tensor: Got value of type NOTYPE but expected type FLOAT64 for input 0, name: serving_default_z_raw_min:0

我的代码如下所示

def run_tflite_accel_model(tflite_file, accel_input):
     interpreter = tf.lite.Interpreter(model_path=str(tflite_file))
     interpreter.allocate_tensors()
     input_details = interpreter.get_input_details()
     output_details = interpreter.get_output_details()

     for feature in FeatureSet: # FeatureSet here is an enum
          input_data = np.array(accel_input[feature.name], dtype=np.float64)
          interpreter.set_tensor(input_details[feature.value]["index"], input_data)

     interpreter.invoke()
     prediction = interpreter.get_tensor(output_details[0]["index"])
     print(prediction)
     return 1 if prediction >= 0.5 else 0



converted_model = "models/converted/model.tflite"
test_df = pd.read_csv('datasets/test.csv', delimiter=',')
positive_example = test_df[test_df['label'] == 1].drop(test_df.columns[[0, 1]], axis=1)
negative_example = test_df[test_df['label'] == 0].drop(test_df.columns[[0, 1]], axis=1)

prediction = run_tflite_accel_model(converted_model, positive_example)

测试.csv

group_timestamp,label,x_mean,x_median,x_stdev,x_raw_min,x_raw_max,x_abs_min,x_abs_max,y_mean,y_median,y_stdev,y_raw_min,y_raw_max,y_abs_min,y_abs_max,z_mean,z_median,z_stdev,z_raw_min,z_raw_max,z_abs_min,z_abs_max
2017-05-02 17:20:00,0,0.3764845679999999,0.3743770899999999,0.0326161594656692,0.28987303,0.45394787,0.28987303,0.45394787,1.25197066,1.24568915,0.0771853360531384,1.0819329,1.3764594,1.0819329,1.3764594,0.20113363268,0.20198536,0.0416523722047812,0.094861984,0.3127308,0.094861984,0.3127308
2017-05-02 20:15:20,1,0.18945148568,0.177686765,0.0693435673249932,0.0403703,0.32699412,0.0403703,0.32699412,-0.0355906866083799,-0.0298280714999999,0.0712611092133111,-0.22528648,0.14023209,8.583069000000001e-06,0.22528648,-0.086219737276,-0.0860004425,0.0690978288158458,-0.24878252,0.04982233,0.0023088455,0.24878252

解释器输入细节

[{'name': 'serving_default_z_raw_min:0', 'index': 0, 'shape': array([1, 1], dtype=int32), 'shape_signature': array([-1,  1], dtype=int32), 'dtype': <class 'numpy.float64'>, 'quantization': (0.0, 0), 'quantization_parameters': {'scales': array([], dtype=float32), 'zero_points': array([], dtype=int32), 'quantized_dimension': 0}, 'sparsity_parameters': {}}, {'name': 'serving_default_y_raw_min:0', 'index': 1, 'shape': array([1, 1], dtype=int32), 'shape_signature': array([-1,  1], dtype=int32), 'dtype': <class 'numpy.float64'>, 'quantization': (0.0, 0), 'quantization_parameters': {'scales': array([], dtype=float32), 'zero_points': array([], dtype=int32), 'quantized_dimension': 0}, 'sparsity_parameters': {}}, {'name': 'serving_default_y_median:0', 'index': 2, 'shape': array([1, 1], dtype=int32), 'shape_signature': array([-1,  1], dtype=int32), 'dtype': <class 'numpy.float64'>, 'quantization': (0.0, 0), 'quantization_parameters': {'scales': array([], dtype=float32), 'zero_points': array([], dtype=int32), 'quantized_dimension': 0}, 'sparsity_parameters': {}}, {'name': 'serving_default_z_abs_max:0', 'index': 3, 'shape': array([1, 1], dtype=int32), 'shape_signature': array([-1,  1], dtype=int32), 'dtype': <class 'numpy.float64'>, 'quantization': (0.0, 0), 'quantization_parameters': {'scales': array([], dtype=float32), 'zero_points': array([], dtype=int32), 'quantized_dimension': 0}, 'sparsity_parameters': {}}, {'name': 'serving_default_y_stdev:0', 'index': 4, 'shape': array([1, 1], dtype=int32), 'shape_signature': array([-1,  1], dtype=int32), 'dtype': <class 'numpy.float64'>, 'quantization': (0.0, 0), 'quantization_parameters': {'scales': array([], dtype=float32), 'zero_points': array([], dtype=int32), 'quantized_dimension': 0}, 'sparsity_parameters': {}}, {'name': 'serving_default_z_abs_min:0', 'index': 5, 'shape': array([1, 1], dtype=int32), 'shape_signature': array([-1,  1], dtype=int32), 'dtype': <class 'numpy.float64'>, 'quantization': (0.0, 0), 'quantization_parameters': {'scales': array([], dtype=float32), 'zero_points': array([], dtype=int32), 'quantized_dimension': 0}, 'sparsity_parameters': {}}, {'name': 'serving_default_y_mean:0', 'index': 6, 'shape': array([1, 1], dtype=int32), 'shape_signature': array([-1,  1], dtype=int32), 'dtype': <class 'numpy.float64'>, 'quantization': (0.0, 0), 'quantization_parameters': {'scales': array([], dtype=float32), 'zero_points': array([], dtype=int32), 'quantized_dimension': 0}, 'sparsity_parameters': {}}, {'name': 'serving_default_z_stdev:0', 'index': 7, 'shape': array([1, 1], dtype=int32), 'shape_signature': array([-1,  1], dtype=int32), 'dtype': <class 'numpy.float64'>, 'quantization': (0.0, 0), 'quantization_parameters': {'scales': array([], dtype=float32), 'zero_points': array([], dtype=int32), 'quantized_dimension': 0}, 'sparsity_parameters': {}}, {'name': 'serving_default_z_median:0', 'index': 8, 'shape': array([1, 1], dtype=int32), 'shape_signature': array([-1,  1], dtype=int32), 'dtype': <class 'numpy.float64'>, 'quantization': (0.0, 0), 'quantization_parameters': {'scales': array([], dtype=float32), 'zero_points': array([], dtype=int32), 'quantized_dimension': 0}, 'sparsity_parameters': {}}, {'name': 'serving_default_z_raw_max:0', 'index': 9, 'shape': array([1, 1], dtype=int32), 'shape_signature': array([-1,  1], dtype=int32), 'dtype': <class 'numpy.float64'>, 'quantization': (0.0, 0), 'quantization_parameters': {'scales': array([], dtype=float32), 'zero_points': array([], dtype=int32), 'quantized_dimension': 0}, 'sparsity_parameters': {}}, {'name': 'serving_default_z_mean:0', 'index': 10, 'shape': array([1, 1], dtype=int32), 'shape_signature': array([-1,  1], dtype=int32), 'dtype': <class 'numpy.float64'>, 'quantization': (0.0, 0), 'quantization_parameters': {'scales': array([], dtype=float32), 'zero_points': array([], dtype=int32), 'quantized_dimension': 0}, 'sparsity_parameters': {}}, {'name': 'serving_default_x_mean:0', 'index': 11, 'shape': array([1, 1], dtype=int32), 'shape_signature': array([-1,  1], dtype=int32), 'dtype': <class 'numpy.float64'>, 'quantization': (0.0, 0), 'quantization_parameters': {'scales': array([], dtype=float32), 'zero_points': array([], dtype=int32), 'quantized_dimension': 0}, 'sparsity_parameters': {}}, {'name': 'serving_default_y_raw_max:0', 'index': 12, 'shape': array([1, 1], dtype=int32), 'shape_signature': array([-1,  1], dtype=int32), 'dtype': <class 'numpy.float64'>, 'quantization': (0.0, 0), 'quantization_parameters': {'scales': array([], dtype=float32), 'zero_points': array([], dtype=int32), 'quantized_dimension': 0}, 'sparsity_parameters': {}}, {'name': 'serving_default_y_abs_min:0', 'index': 13, 'shape': array([1, 1], dtype=int32), 'shape_signature': array([-1,  1], dtype=int32), 'dtype': <class 'numpy.float64'>, 'quantization': (0.0, 0), 'quantization_parameters': {'scales': array([], dtype=float32), 'zero_points': array([], dtype=int32), 'quantized_dimension': 0}, 'sparsity_parameters': {}}, {'name': 'serving_default_y_abs_max:0', 'index': 14, 'shape': array([1, 1], dtype=int32), 'shape_signature': array([-1,  1], dtype=int32), 'dtype': <class 'numpy.float64'>, 'quantization': (0.0, 0), 'quantization_parameters': {'scales': array([], dtype=float32), 'zero_points': array([], dtype=int32), 'quantized_dimension': 0}, 'sparsity_parameters': {}}, {'name': 'serving_default_x_stdev:0', 'index': 15, 'shape': array([1, 1], dtype=int32), 'shape_signature': array([-1,  1], dtype=int32), 'dtype': <class 'numpy.float64'>, 'quantization': (0.0, 0), 'quantization_parameters': {'scales': array([], dtype=float32), 'zero_points': array([], dtype=int32), 'quantized_dimension': 0}, 'sparsity_parameters': {}}, {'name': 'serving_default_x_median:0', 'index': 16, 'shape': array([1, 1], dtype=int32), 'shape_signature': array([-1,  1], dtype=int32), 'dtype': <class 'numpy.float64'>, 'quantization': (0.0, 0), 'quantization_parameters': {'scales': array([], dtype=float32), 'zero_points': array([], dtype=int32), 'quantized_dimension': 0}, 'sparsity_parameters': {}}, {'name': 'serving_default_x_raw_min:0', 'index': 17, 'shape': array([1, 1], dtype=int32), 'shape_signature': array([-1,  1], dtype=int32), 'dtype': <class 'numpy.float64'>, 'quantization': (0.0, 0), 'quantization_parameters': {'scales': array([], dtype=float32), 'zero_points': array([], dtype=int32), 'quantized_dimension': 0}, 'sparsity_parameters': {}}, {'name': 'serving_default_x_raw_max:0', 'index': 18, 'shape': array([1, 1], dtype=int32), 'shape_signature': array([-1,  1], dtype=int32), 'dtype': <class 'numpy.float64'>, 'quantization': (0.0, 0), 'quantization_parameters': {'scales': array([], dtype=float32), 'zero_points': array([], dtype=int32), 'quantized_dimension': 0}, 'sparsity_parameters': {}}, {'name': 'serving_default_x_abs_min:0', 'index': 19, 'shape': array([1, 1], dtype=int32), 'shape_signature': array([-1,  1], dtype=int32), 'dtype': <class 'numpy.float64'>, 'quantization': (0.0, 0), 'quantization_parameters': {'scales': array([], dtype=float32), 'zero_points': array([], dtype=int32), 'quantized_dimension': 0}, 'sparsity_parameters': {}}, {'name': 'serving_default_x_abs_max:0', 'index': 20, 'shape': array([1, 1], dtype=int32), 'shape_signature': array([-1,  1], dtype=int32), 'dtype': <class 'numpy.float64'>, 'quantization': (0.0, 0), 'quantization_parameters': {'scales': array([], dtype=float32), 'zero_points': array([], dtype=int32), 'quantized_dimension': 0}, 'sparsity_parameters': {}}]

也就是21个输入

最佳答案

由于输入详细信息的转储信息显示有 21 个输入，因此应该有 21 个 input.set_tensor 调用才能为 TFLite 解释器正确提供输入数据。

interpreter.set_tensor(input_details[0]["index"], ...)
interpreter.set_tensor(input_details[1]["index"], ...)
...

您可以依靠 numpy 库来生成输入数据。例如，

input_ids = np.array(input_ids, dtype=np.int32)
input_mask = np.array(input_mask, dtype=np.int32)
segment_ids = np.array(segment_ids, dtype=np.int32)

interpreter.set_tensor(input_details[0]["index"], input_ids)
interpreter.set_tensor(input_details[1]["index"], input_mask)
interpreter.set_tensor(input_details[2]["index"], segment_ids)

请引用这个link

关于python - ValueError : Cannot set tensor: Got value of type NOTYPE but expected type FLOAT64 for input 0, 名称:serving_default_z_raw_min:0，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/67192700/

文章推荐： javascript - 构建 opencv.js 时如何包含 cv.imread()？

文章推荐： Github:在两个标签之间列出 PR

文章推荐： python - 优化 brainfuck 中的细胞增长

expect - Expect 脚本还值得学习吗？
就目前而言，这个问题不适合我们的问答形式。我们希望答案得到事实、引用资料或专业知识的支持，但这个问题可能会引发辩论、争论、投票或扩展讨论。如果您觉得这个问题可以改进并可能重新打开，visit the
expect - Expect 脚本的用户输入
我是脚本新手。如何编写 Expect 脚本以通过 ssh 连接到设备并提示用户输入密码？我们使用 pin + RSA token 代码作为密码，因此我无法存储密码。 #!/usr/bin/expect
expect - Expect 脚本中的 Do-while
我编写了以下代码并尝试执行它。但我在执行 do {”时遇到“无效的命令名称“do”” 代码: #!/usr/bin/expect set val 0; set input 5; do { pu
expect - Expect 的 "-r"命令中的 "expect -r PATTERN"是什么意思？
我已经查看了 Expect 联机帮助页并用 Google 搜索了它，但我还没有找到 expect 的 -r 是什么。我看到这个选项以前是这样用的 expect -r "\r\n\r\n" 在 expe
expect - 如何将调试信息重定向到 expect 脚本中的文本文件？
我的 shebang 看起来像这样: #!/usr/bin/expect -d 当我从命令行运行脚本时，它会提供我想要的内容。但是，我通过 crontab 运行这个脚本。是否可以将调试开关保持打开状
expect - 在一个 Expect 脚本中处理多个语句
我是 Expect 脚本的新手。我在 Linux 机器上为 ssh 编写了一个 Expect 脚本，在那里我在 ssh 到不同的 Linux 机器时遇到了问题。下面我复制了脚本。 !/usr/loc
actionscript-3 - 语法错误: expecting identifier before this. expecting colon before leftparen. expecting identifier before rightbrace
Scene 1, Layer 'script', Frame 1, Line 9 1084: Syntax error: expecting identifier before this. Sc
expect - log_file 命令不在 Expect 脚本中记录命令的输出
我正在运行调试命令以将命令的输出记录到文件中。我尝试了 log_file 命令，但它没有记录输出。我的代码如下: log_file -a gdb.txt send "~/debugulator.sh
Expect - expect_user 和 expect 的超时时间不同？
我希望 expect_user 有一个无限的(或非常大的)超时和 expect 的默认超时。有没有办法设置不同的超时？或者我是否只需要在每次更改用途之前手动执行此操作？最佳答案 expect 和ex
iOS内联if else编译错误: "Expected : "; "Expected expression"
我正在学习 iOS 编程(我来自 Android)，我正在寻找更容易获取字符串的方法。有了这个建议，我定义了下一个宏并在一些代码片段中使用它: #define STRING_BASE @"InfoPl
ruby-on-rails - Rspec expect( ) 与 expect { }
你好我是 rspec 的新手，我想弄清楚将 block 传递给 expect{} 和只使用 expect() 之间的区别这是一个简单的例子 require "rails_helper" RSpec.
reactjs - expect(received).toEqual(expected) - 错误
我正在尝试为 React JS 运行单元测试 - 使用 jest/enzyme。目前测试失败。不太清楚为什么，也许我没有正确调用 expect(wrapper.find)。这是我测试的一部分: F
expect - 如何在连接到 ssh 服务器时执行 expect 脚本
例如，现在我有一个“root.exp”期望脚本如下: spawn ssh user@ip expect "Password:" send "password" 然后，我要发送到这个ssh服务器的exp
expect - 使用 Expect 脚本将 IP 地址提取到变量
您好，我是 Expect 脚本编写的新手，我一直在尝试使用以下方法将 IP 地址获取到变量中: set timeout -1 spawn $env(SHELL) match_max 100000 se
javascript - expect.anything() 不适用于 expect.toBe()
expect.anything() 不适用于 expect.toBe()，但适用于 expect.toEqual() test("this will pass", () => { expect("
Linux shell : my `expect` script doesn't work as expected
我有一个如下所示的简单脚本，从命令行读取 2 个数字并将它们加在一起: $cat runexp.sh #!/bin/bash echo "read 1st number" read n1 echo "
linux - expect script + fit expect 以防不需要密码
当 Linux 机器的 $IP 登录后询问密码时，下面的 expect 脚本工作正常但在某些情况下，某些Linux机器不需要ssh密码(我们可以不用密码登录)，所以我需要更改我的期望脚本以支持没有
linux - Expect 脚本 - 发送字符串所需的引号与 expect 所需的引号冲突
我正在尝试使用 expect 远程登录服务器并更改用户密码。该应用程序要求，如果您要更改的密码包含特殊字符，则将其引用。问题是，还需要引用 expect send 语句，当我尝试将两者结合起来时，脚本
linux - expect + 如何识别 expect break 因为超时？
下面这个简单的 expect 脚本的目标是获取远程机器上的 hostname 名称有时期望脚本无法执行到 $IP_ADDRESS 的 ssh(因为远程机器不活动等) 所以在这种情况下，expect
rust - .expect( format!() ) : expected `&str` , 找到结构 `String`
我试图创建一个宏来替换， first: Some(first.as_ref().parse::().expect("Could not parse 'first'")) 我在其他模块(如 Clap w

行者123

个人简介

我是一名优秀的程序员,十分优秀！

作者热门文章

滴滴打车优惠券免费领取

全站热门文章

首页

博学

6Ren·AI

商城

python - ValueError : Cannot set tensor: Got value of type NOTYPE but expected type FLOAT64 for input 0, 名称:serving_default_z_raw_min:0