问题标签 [tensorflow1.15]

在 tensorflow 中，我遇到了一个问题，我尝试通过在会话中运行它来获取最后一个神经元的输出，但它给了我一个错误。我正在运行 Python 3.8.5 和 TensorFlow 1.15（由于一些硬件问题）

这是我的代码：

这是错误：

请帮助我，我真的很挣扎。提前致谢！

我正在尝试通过参考 TensorFlow 1 中的实现来在 TensorFlow 2 中实现强化学习算法。

在算法中我需要使用分布式训练。在 tf1 中，我所指的实现使用tf.train.Server并且我想使用tf.distribute.MirroredStrategy。但是，我无法找到它们之间是否存在联系。我认为它们都用于分布式学习，但它们彼此之间有多相似？或者他们彼此有多大不同？

github 中的代码可以帮助更好地理解第468-483 行的问题（此处）：

我想知道TPU 对象检测和分割模型 Zoo中检查点文件的类型，因为它没有后缀。

tensorflow 中的检查点文件具有如下格式：

检查点
.data
.index

谢谢大家。

我正在将一些 TF1 代码迁移到 TF2。有关完整代码，您可以在此处查看第 [155-176] 行。TF1 中有一条线在给定损失（浮点值）和 (m, n) 张量的情况下获得梯度

编辑：问题仍然存在

注意： TF2 代码应该兼容并且应该在一个tf.function

在 TF2 代码中，我正在尝试：

但是，我一直在了解g = [None]是否使用tape.watch(f)或创建tf.Variable具有值的af甚至tf.gradients()在 a 内部使用tf.function，否则它会抱怨。

我正在尝试加载以下张量流模型https://github.com/NVIDIA-AI-IOT/redtail/tree/master/stereoDNN/models/ResNet-18_2D/TensorFlow

我是从 google colab 做的，这就是我所做的：

运行时抛出以下错误restore：

ValueError：当它为 None 时无法加载 save_path。

根据互联网搜索，这是由于文件夹中没有检查点文件。这些是加载模型所必需的吗？在这种情况下我应该如何加载模型？

我正在尝试将结果从 / 复制到tf1.15 / 2.4.1。这是我期望产生类似结果的 2 个示例。第一个例子 usingtf.layers.conv2d()和第二个 using tf.keras.layers.Conv2D()。我试过使用kernel_initializer=some_tf_initializer(seed=seed)，也试过不使用内核初始化程序，还是一样。==================================================== =========================

TF1

结果是

TF2

结果是

我在 GPU 中有 PyTorch 张量，我想在不离开 GPU 的情况下将其转换为 Tensorflow 1.x 张量。

我不关心来回传递渐变。我只希望张量留在 GPU 中。我不在乎我的 PyTorch 张量是否被复制到 TF 张量或就地修改。

我知道我可以在 CPU 上转换为 numpy并重新加载到 GPU 上。但是，为了速度，我必须留在 GPU 上。

我在我的 jetson xavier nx 上使用 tensorflow 1.14 运行基本对象检测模型。我正在尝试优化我在这个模型上的内存使用。我在 cpu 和 gpu 之间有 8 gb 共享内存。在我进行任何优化之前，裸模型运行在 ~6gb 内存上。当我使用 per_process_gpu_memory_fraction=0.2 仅将 %20 内存用于 gpu 时，顺便说一下，我不确定这在 jetson 的共享内存上是如何工作的，它绝对不会限制我的所有内存或让 gpu 仅使用总内存的 %20很奇怪，对我来说甚至更荒谬的是，当我使用该参数时，我的总内存消耗下降到 ~4gb，而没有明显的后果。我期待它会增加模型的推理时间，但事实并非如此，它相对相似。

现在这对我来说太棒了，但我想知道如何节省 2gb 的内存而不会有任何后果？幕后发生了什么？

我正在尝试将 Tensorflow-serving 安装到我的 Centos 8 机器上。使用 Docker 映像安装不是 Centos 的选项。所以我尝试用 pip 安装。这些是安装 tensorflow-model-server 的命令：

问题是我需要 1.15.0 版本，但找不到如何修改链接以安装 1.15 版本。任何有关修改链接的帮助、将“tensorflow/serving”安装到 Centos 8 的想法都会受到我的赞赏:)

我有一个将 tf 模型移动到 py3 的用例。

最初，该模型是使用 TensorFlow 1.12 使用 py 2.7 训练的。我读到 py 3.6 支持相同版本的 TF。

因此，如果我直接在 py36 中加载模型，它是否会给出相同的预测分数 wrt 模型的可重复性。

除非上述情况不起作用，否则我们有一个根本不更改训练代码的限制。