问题标签 [tensorflow-estimator]

这个问题困扰了我好几天。我在机器翻译上使用 RNN 模型，该模型是使用估计器实现的。现在我想对每个 RNN 步骤的一些中间张量做一些操作。我主要想让这些张量加权。我怎样才能获取这些张量？

假设我们在 Tensorflow 估计器 API 中有可用的模型LinearRegressor。DNNLinearRegressor

然而，文档并没有明确提到这个 API 使用了哪些默认优化器、学习率和激活函数。

如果你知道这个问题的答案，请告诉我。

谢谢。

假设我已经训练了一个 Tensorflow Estimator：

我将它与一些火车数据相匹配：

这个想法是模型适合我的 MODEL_DIR。该文件夹包含一个检查点和几个文件.meta和.index.

这完美地工作。我想用我的函数做一些预测：

我的解决方案完美运行，但有一个很大的缺点：您需要知道 model_fn，这是我在 Python 中定义的模型。但是如果我通过在我的 Python 代码中添加一个密集层来更改模型，那么这个模型对于 MODEL_DIR 中保存的数据是不正确的，从而导致不正确的结果：

我该如何应对？如何加载我的模型/估计器，以便我可以对一些新数据进行预测？如何从 MODEL_DIR 加载 model_fn 或估算器？

^{（python、机器学习和 TensorFlow 的完全新手）}

我正在尝试将TensorFlow 线性模型教程从他们的官方文档改编为 ICU 机器学习存储库中的鲍鱼数据集。目的是从其他给定数据中猜测鲍鱼的年轮（年龄）。

运行以下程序时，我得到以下信息：

该错误在第 220 行的 lookup_ops.py 中被抛出，并记录为在以下情况下抛出：

从调试parse_csv()来看，似乎所有张量都是用正确的类型创建的。

你能解释一下出了什么问题吗？我相信我正在遵循教程代码逻辑并且无法弄清楚这一点。

源代码：

以下是来自abalone.names的数据集列的分类：

数据集条目按此顺序显示为常见的分隔值，并带有新条目的新行。

这是一个简单的代码来创建一个张量流图来聚类虹膜数据。它tf.estimator.inputs.numpy_input_fn用于为tf.contrib.learn.KMeansClusteringk-means 聚类器定义输入函数。

但是 Tensorflow 返回以下错误：

你知道我为什么会收到这个错误以及如何调试它吗？

虹膜.csv：

我正在尝试在 tensorflow 模型中使用现有的嵌入，嵌入的大小大于 2Gb，这使得我最初尝试这样做不成功：

这给了我这个错误：

我正在使用基于 Estimator API 的 AWS SageMaker，并且会话中图形的实际运行发生在幕后，因此我不确定如何初始化一些占位符以进行嵌入。如果有人能够分享如何根据 EstimatorAPI 进行此类初始化，那将很有帮助。

我在磁盘上有一个使用 tf.saved_model.builder.SavedModelBuilder 保存的 TensorFlow 模型。如何从中创建 TF Estimator？

我正在使用 CNN 的入门示例Tensorflow并将参数更新为我自己的数据，但由于我的模型很大（244 * 244 个特征），我得到了OutOfMemory错误。

我在 Ubuntu 14.04 上进行培训，配备 4 个 CPU 和 16Go 的 RAM。 有没有办法缩小我的数据，这样我就不会收到这个 OOM 错误？
我的代码如下所示：

我试图让 aLinearRegressor工作，但我收到一个似乎没有太多文档的错误。

当我做：

我得到错误：

更新说明：请切换到 tf.train.get_global_step

我不确定如何进行。

我从文档中读到：

不推荐使用某些参数。它们将在 2016-12-01 之后被删除。更新说明：Estimator 通过移动到单独的类 SKCompat 与 Scikit Learn 界面分离。参数 x、y 和 batch_size 仅在 SKCompat 类中可用，Estimator 将仅接受 input_fn。转换示例：est = Estimator(...) -> est = SKCompat(Estimator(...))

但我不确定我应该改变什么，或者如何切换到全局步骤。

我尝试使用tf.estimator.LinearRegressor主要是因为我没有想法，并且做了这样的事情：

但是根本没有输出。

我有一个包含 59536 列和 200 行的大型训练模型，我想使用 tensorflow 的 cnn 进行训练，但我遇到了OutOfMemory错误。如何拆分我的模型（将其拆分为较小的列）并进行小批量训练？
这是我的代码