问题标签 [tensorflow-addons]

我正在训练一个 CNN 分类器，我正在尝试使用TensorFlow Addons Matthews Correlation Coefficient

我导入库

然后创建指标

然后将度量mcc变量添加到度量列表中，该列表作为模型compile方法的参数提供。

其他指标正常工作，但mcc指标始终0.0在训练期间。

我没有正确配置或使用指标吗？

或者多类#2339 的 Matthews 相关系数是指标没有正确实现吗？

在 tf2 中训练序列标记时，输出张量的形状为 [?, seqlen, num_classes]。对于 F1Score 指标，我使用了 tensorflow_addons 和许多其他实现。不幸的是，他们认为 [?, num_classes] 形状的输出张量不适合我的情况。有什么技巧可以适应吗？换句话说，我的模型输出和真值标签是 3 维的，度量接受 2d 张量。然后，我需要告诉 tf2 重塑它们以进行计算 metirc。

我找到了这段代码，并想在 tensorflow 之外使用 pandas：

我做了一些尝试......都比上一个更糟糕......

目标是将时间戳转换为机器学习特征的向量

我正在训练一个多类分类网络。我使用来自 tensorboard-addons 的指标并像这样编译模型：

平均无应给出每个班级的 f1 分数。如果我用

正如预期的那样，我得到了一个包含每个班级的 f1 分数的数组。
然而，在训练期间，我在张量板上只得到一个分数和一个图表。如何在张量板训练期间显示每个时期的班级明智 f1 分数。

我正在使用 tensorflow 2.5 。

当我构建层并成功生成摘要时，我使用 BiLSTM-CRF 来解决 NER 问题，但是，当我尝试训练模型时，它给了我维度错误。当我使用 Keras 和 Keras-contrib 包时它工作正常，但是这些包在 python3.8 中不起作用。因此，我必须为 BiLSTM 移动 tensorflow，为 CRF 移动 Tenorflow-addons。不幸的是，这些包给了我未知的错误。我尝试了大约 3 周，但找不到任何解决方案，请帮助我。

以下是我的代码的层：

我正在尝试建立一个模型，用于将标签序列标记到文档中的句子序列。为此，我将 Bi-LSTM 与 CRF 结合使用。我在我的模型中使用 TensorFlow-addons CRF 层，在训练和预测方法之后，我使用 viterbi_decode 函数来获取表示句子标签的整数序列。我不知道下面的代码是否代表了带有 CRF 的 Bi-LSTM 的准确实现，或者我做错了什么。因为性能非常低，我期待使用 CRF 进行序列标记有助于提高宏观平均分数。我怎样才能改善这一点？

代码在这里：

这是使用 viterbi_decode 获取序列的代码：

我的代码中有一个错误，我已经阅读了文档，但它仍然是错误的，如何修复这个错误？

代码：

这是模型摘要：

这是适合训练数据的代码：

我得到了这个错误：

ValueError：在用户代码中：

我找不到在没有兼容性问题的情况下 pip 安装以下 Python 模块的方法（来自 Red Hat Enterprise Linux 版本 8.2 上的 requirements.txt 文件）：

我试图指定版本，如

但是，安装总是失败。

我在虚拟环境中尝试了上述方法。在我最近的尝试中，我删除了站点包以避免进一步的兼容性问题：

安装完成后出现问题，我无法像这样导入 tensorflow 和 tensorflow_addons：

由于以下错误（完整输出进一步向下）：

是否有可以找到匹配版本的地方，或者仅通过指定模块的某些版本无法解决问题？

完整模块导入错误输出：

模块安装期间 这是 requirements.txt 中模块安装期间的输出：

按照使用 -m pip (as python3 -m pip install -r requirements.txt) 调用 Python 的建议导致相同的输出（该消息除外）。

错误：找不到满足要求 tensorflow-addons 的版本（来自版本：无） 错误：没有找到 tensorflow-addons 的匹配分布

如果这个问题看起来很愚蠢，那是因为我是 TensorFlow 的新手。我正在使用 TensorFlow 2 的 TFA seq2seq 实现来实现一个玩具 endocer-decoder 问题。在我想用 BeamSearchDecoder 更改我的 BasicDecoder 之前，API 是很容易理解的。我的问题是关于 BeamSearchDecoder 的 start_tokens 和 end_token 参数的初始化。

这是实现的副本，不胜感激。

错误恍惚：