问题标签 [tensorflow1.15]

目前，我正在使用 tf1.15 (DNNLinearCombinedClassifier) 中的宽深分类器，并定义了以下函数来向标签添加随机噪声：

然后将此函数应用于使用目标列的数据集，map并且仅应用于目标列。但是，当我训练我的模型时，它会生成以下输出：

据我了解，DNNLinearCombinedClassifier正在计算目标中唯一值的数量，并由于 n_classes 和唯一值数量之间的差异而产生错误。我查看了 的文档DNNLinearCombinedEstimator，但它使用 MSE 作为损失，我肯定想使用交叉熵来训练我的模型，因为它在DNNLinearCombinedClassifier. 我想问你是否有一种方法可以使用带有这个扰动标签列和交叉熵的宽和深分类器作为我的训练损失函数。

我想构造一批批大小为 16 的数据，使用tf.data，其中[:8]是一种数据 A，[8:16]是一种数据 B。

没有tf.data. 如果使用tf.data，代码可能是：

接下来怎么做？我尝试：

但是concatenate是：将整个数据集附加dataB到dataA.

对于concatenate，请注意 和name_to_features应该相同dataA，dataB这意味着我应该填充很多虚拟数据。

我不想在of中使用tf.cond或tf.where判断不同的数据，这也很难调试。model_fntf.estimator

请通读。

这不是Tensorflow Windows Accessing Folders Denied:"NewRandomAccessFile failed to Create/Open: Access is denied. ; Input/output error"的重复，因为我之前已经验证了我的文件链接是否存在错误并对其进行了隔离测试。

完整的错误输出是：

训练我的模型没有问题，并且我的 Tensorflow 安装工作正常，因为我已经阅读了教程笔记本

这是什么错误，为什么会发生？

请告诉我为什么这段代码没有运行它给出这个错误：

警告：tensorflow：来自 C:\Program Files\Python37\lib\site-packages\tflearn\helpers\summarizer.py:9：不推荐使用名称 tf.summary.merge。请改用 tf.compat.v1.summary.merge

警告：tensorflow：来自 C:\Program Files\Python37\lib\site-packages\tflearn\helpers\trainer.py:25：不推荐使用名称 tf.summary.FileWriter。请改用 tf.compat.v1.summary.FileWriter

警告：tensorflow：来自 C:\Program Files\Python37\lib\site-packages\tflearn\collections.py:13：不推荐使用名称 tf.GraphKeys。请改用 tf.compat.v1.GraphKeys

警告：tensorflow：来自 C:\Program Files\Python37\lib\site-packages\tflearn\config.py:123：不推荐使用名称 tf.get_collection。请改用 tf.compat.v1.get_collection

警告：tensorflow：来自 C:\Program Files\Python37\lib\site-packages\tflearn\config.py:129：名称 tf.add_to_collection 已弃用。请改用 tf.compat.v1.add_to_collection

警告：tensorflow：来自 C:\Program Files\Python37\lib\site-packages\tflearn\config.py:131：不推荐使用名称 tf.assign。请改用 tf.compat.v1.assign。

任何帮助将不胜感激。

我正在尝试编译 Tensorflow 1.15，但遇到了Odroid-XU4一些似乎与我的平台无关且专属于我的平台的错误。我通过源代码编译成功安装了 Tensorflow 1.13。但是对于 TF1.15，我在使用 TF1.15.0 和 TF1.15.1 和 TF1.15.3 时遇到了一些错误。

我使用 Bazel 0.26.1 构建的命令是：

在收到包“@io_rules_docker”的错误后，通过在 WORKSPACEFILE 中手动添加修复了一些相同的错误，我收到了这个错误：

我该如何解决这个问题？

我已经实现了绝大多数的多输入模型，并且我在为 2 个传入的 logit 张量定义单个损失函数的最后几个步骤中苦苦挣扎。

可以说我有以下内容：

然后我想将它们提供给以下损失函数：

我在想这样的事情：

损失实现有意义吗？我觉得这不是一个概念上正确的方法。例如，如果yis shape[64,1]和logits_concatis shape [64,2]，那么我建议有 2 个类在起作用，这不是我的意图。

此链接上有一个用 tensorflow1 编写的代码。 https://github.com/carlthome/tensorflow-convlstm-cell/blob/master/cell.py 我想在TensorFlow.Keras中使用这个类作为一个层。所以应该是用TensorFlow版本2写的，怎么做呢？这是这段代码： import tensorflow as tf

语境

使用带有tf.Estimator接口的 TF 1.15 来训练和评估模型。尝试编写自定义 TF 指标，tf.keras.metric.Metric用于此目的。

问题

我编写了一个自定义指标并将其包含在eval_metrics_ops（下面的示例）中。如果我用指标定义一个估计器，我会收到以下错误。

错误的措辞看起来很清楚（我必须调用update_state()），但我不确定我在哪里调用update_state()指标（不确定我是否应该调用）。不是一个最小的例子，但这是我写的一个演示指标。

创建一个dict指标名称是键，指标实例是值。这是它提到如何创建dictfor 的地方eval_metrics_ops。

知道如何摆脱该错误吗？

我有一个来自 TensorFlow DeepLab Model Zoo 的预训练模型，我想将输入层数据类型从 uint8 更改为 uint16，然后通过我自己的 48 位（16 位/颜色通道）TIFF 数据集上的迁移学习对其进行训练。

但是，我想不出一种简单的方法来加载检查点并更改第一层的 dtype。预训练模型以及我的训练代码使用的是 TFv1.15。

在模型的每个前向传递中，我想在 softmax 层的列上实现 l2 归一化，然后根据印记的权重纸和这个pytorch implementation设置权重。我在模型的 call() 函数期间使用 layer.set_weights() 设置归一化权重，但此实现仅适用于急切执行，因为在构建图形时 layer.set_weights() 出现问题。

这是模型在 tf 1.15 中的实现：

权重归一化可以在 Classifier 类的调用步骤中找到，我在归一化后调用 .set_weights() 。

model = Net(input_shape,n_classes, num_nodes)使用和使用创建模型可以工作，model(x)但是会给我关于 .get_weights() 的错误。我可以用梯度带在急切模式下训练模型，但速度非常慢。model.predict()model.fit()

有没有另一种方法可以在每次前向呼叫的训练期间设置密集层的权重，但让我在渴望模式之外使用模型？当我说急切模式时，我的意思是tf.enable_eager_execution()在程序开始时使用。

这是我改用时遇到的错误model.predict(x)：