问题标签 [tensorflow2.0]

我已经使用 将 CNN 模型从 tf1.x 转换为 tf2.0 tf_upgrade_v2，但是当我使用这个转换后的模型时，我得到了一个错误：

File "/home/hsw/virtual_env/tf2.0/lib/python3.6/site-packages/tensorflow/python/ops/variable_scope.py", line 2492, in default_variable_creator import_scope=import_scope, distribute_strategy=distribute_strategy) File "/home/hsw/virtual_env/tf2.0/lib/python3.6/site-packages/tensorflow/python/ops/variables.py", line 216, in __call__ return super(VariableMetaclass, cls).__call__(*args, **kwargs) File "/home/hsw/virtual_env/tf2.0/lib/python3.6/site-packages/tensorflow/python/ops/resource_variable_ops.py", line 422, in __init__ constraint=constraint) File "/home/hsw/virtual_env/tf2.0/lib/python3.6/site-packages/tensorflow/python/ops/resource_variable_ops.py", line 545, in _init_from_args initial_value() if init_from_fn else initial_value, File "/home/hsw/virtual_env/tf2.0/lib/python3.6/site-packages/tensorflow/python/ops/variable_scope.py", line 886, in <lambda> shape.as_list(), dtype=dtype, partition_info=partition_info) TypeError: __call__() got an unexpected keyword argument 'partition_info'

似乎有问题variables.py，转换后的模型如下：

应该怎么做才能解决这个问题？

当我sess = tf.Session()在 Tensorflow 2.0 环境中执行命令时，我收到如下错误消息：

系统信息：

• 操作系统平台和发行版：Windows 10
• Python版本：3.7.1
• Tensorflow 版本：2.0.0-alpha0（用 pip 安装）

重现步骤：

安装：

1. 点安装——升级点
2. pip install tensorflow==2.0.0-alpha0
3. 点安装 keras
4. pip install numpy==1.16.2

执行：

1. 执行命令：import tensorflow as tf
2. 执行命令：sess = tf.Session()

我已经在 tensorflow v2.0 和 v1.12.0（带有tf.enable_eager_execution()）上尝试过这个。显然，如果我numpy()在函数中使用下面显示的代码片段进行main()调用，它会完美运行。但是，如果我在我的估计器模型函数中使用它，model_fn(features, labels, mode, params)那么它会抱怨'Tensor' object has no attribute 'numpy'.

有没有其他人遇到过类似的问题？对于 tf.estimator 来说，这似乎是个大问题？

在 TensorFlow 2.0（现在仍然是 alpha 版本）中，我知道您可以使用装饰器@tf.function将纯 Python 代码转换为图形。@tf.function每次我想要的时候，我必须把每个功能放在上面吗？并且只@tf.function考虑以下功能块？

我只是将一些代码转换为 tensorflow v2，但我遇到了一个问题。我曾经在 tensorflow v1 中使用过一些 tf.contrib.image 函数（dense_image_warp 和 rotate）。我不知道如何在 v2 中替换它们。这些函数不是 tf.image 模块的一部分。

tf_upgrade_v2 脚本无法转换这些方法。

有人知道如何替换它们以兼容 v2 吗？

谢谢

在 TensorFlow 1.x 中，我可以自由选择在训练期间如何以及何时打印准确率/损失分数。例如，如果我想每 100 个 epoch 打印一次训练损失，tf.Session()我会写：

在 TF 2.0 (alpha) 发布后，Keras API 似乎强制坚持其标准输出。有没有办法恢复这种灵活性？

我正在尝试使用 tensorflow 2 训练模型。

我收到错误：

当我尝试打电话时

return loss_object(y_true=y, y_pred=ypred)

函数内部loss。

的类型ypred是

<class'tensorflow.python.keras.engine.training.Model'>

它应该是一个张量。

如果我不使用该类并改为运行：

它运行正常！

的类型model(x)是<class 'tensorflow.python.framework.ops.EagerTensor'>

但在类代码中，类型self.build_model(X)是model.

我们最近切换到 TF 2.0 的 Keras，但是当我们将它与 2.0 上的 DNNClassifier Estimator 进行比较时，我们发现 Keras 的速度慢了大约 4 倍。但我终其一生都无法弄清楚为什么会发生这种情况。两者的其余代码是相同的，使用返回相同 tf.data.Dataset 的 input_fn()，并使用相同的 feature_columns。几天来一直在努力解决这个问题。任何帮助将不胜感激。谢谢

估算器代码：

凯拉斯代码：

更新：为了进一步测试，我编写了一个自定义子类模型（请参阅：专家入门），它的运行速度比 Keras 快，但比 Estimators 慢。如果 Estimator 在 100 秒内训练，自定义模型大约需要 ~180 秒，而 Keras 大约需要 ~350 秒。一个有趣的注意事项是，使用 Adam() 的 Estimator 运行速度比 Adagrad() 慢，而 Keras 似乎运行得更快。使用 Adam()，Keras 花费的时间不到 DNNClassifier 的两倍。假设我没有弄乱自定义代码，我开始认为 DNNClassifier 只是有很多后端优化/效率，使其比 Keras 运行得更快。

自定义代码：

更新：它可能似乎是数据集。当我在 train_input_fn() 中打印一行数据集时，在估计器中，它会打印出非急切的张量定义。在 Keras 中，它会打印出急切的值。通过 Keras 后端代码，当它接收到一个 tf.data.dataset 作为输入时，它会急切地（而且只是急切地）处理它，这就是我在 train_input_fn() 上使用 tf.function 时它崩溃的原因。基本上，我的猜测是 DNNClassifier 的训练速度比 Keras 快，因为它在图形模式下运行更多的数据集代码。将发布任何更新/发现。

我正在使用 TensorFlow Alpha 2.0。

我有我正在读取的 TFRecords 文件，每个文件都包含一个短视频剪辑，每个帧都编码为 jpeg 字节字符串以节省空间：

我的 tf.data.Dataset 管道中有一个映射步骤，可以成功解析每个示例：

我的下一步是从 from 中读取帧数并在每个帧上numframes运行 tf.io.decode_jpeg 函数：frames.values[i]irange(numframes)

我的数据集管道完整性：

如果我排除该dataset.map(parse_jpegs)行，一切正常，向我展示类似{'frames': <tensorflow.python.framework.sparse_tensor.SparseTensor at 0x7f394c285518>, 'numframes': <tf.Tensor: id=2937, shape=(), dtype=int64, numpy=25>}

（请注意，numframes 张量包含 25 的 numpy 值。我可以使用 tensor.numpy() 方法在我的数据集管道之外获取它）

但是，在该映射函数中，我无法调用 .numpy() 从张量中获取值，并且在打印张量本身时，它尚未被评估或其他什么，因为还没有显示任何值。

在数据集管道中解析所有这些帧的最佳方法是什么？

TypeError: 'Tensor' object cannot be interpreted as an integer编辑：尝试获取 numframes 时，我收到的错误消息位于 parse_jpegs 中。这对我来说很有意义，为什么不能将张量解释为 int，但是如何从该张量中获取值以用于设置范围？

我遇到的问题归结为每个“帧”对象具有不同数量的帧。如果我可以应用tf.io.decode_jpeg到该列表中的每个帧而不需要单独记录帧数我会很好，但我在这里有“numframes”，所以我知道我的“frames”列表中需要解码多少帧。

编辑：我会向其他可能觉得有帮助的人提出这个问题，但我最终只是返回原始字节串并在数据集 API 之外的单独生成器函数中执行 decode_jpeg。这样会容易得多，即使它可能会更慢。

我正在使用简单的数据和简单的模型。

我收到的结果是：

我无法找出问题所在。

我尝试了其他设置（更多单位、不同指标、损失），但结果是一样的。