问题标签 [tensorflow2.0]

在按照本指南设置简单的 tensorflow 2.0 测试时，keras 输入层的输入是错误的，但只有在转换为数据集（假装具有正确的形状）之后。

从文档中运行 colab 笔记本当然可以，但我无法弄清楚我的设置可能有什么问题。任何提示表示赞赏！

在 jupyter lab 中设置一些假数据：

使用功能性 keras API 构建简化模型（顺序没有区别）：

在 numpy 数组上运行模型拟合按预期工作：

不适合数据集的是（而 docs/colab 示例可以）：

这会在输入形状上引发 ValueError，显然是 (1,)：

这是在遇到更复杂模型的错误之后最简单、最精简的版本，并且首先是新的 tensorflow-datasets 包 - 现在它是如此简单，以至于我不知道为什么它不能正常工作（并且执行 (几乎）与 numpy 数组版本相同）。

在 TensorFlow 1.x 中，要更新张量，我会使用tf.scatter_update, 仅更新张量的相关部分。

我们如何在 TF 2.0 中做同样的事情？

几乎说明了一切。最终形成通常的 TypeError：“NoneType”类型的对象没有 len() 。

我在TensorFlow 2.0.0 alpha教程中看到了两个快速入门模板。一种适用于初学者，model.fit用于培训，另一种与tf.GradientTape() as tape:and一起使用optimizer。

我尝试了两种代码来训练相同的数据，相同的网络，但只有初学者一个效果很好。

输入： [224, 224] 图片 * 240

网络： keras 应用上的 VGG19

班级人数： 24

模型：

初学者代码：

专家代码：

初学者的结果：

专家结果：

我正在编写一个函数来在 TensorFlow 2.0 中实现一个模型。它需要image_batch（一批 numpy RGB 格式的图像数据）并执行一些我需要的特定数据增强任务。导致我出现问题的行是：

numpy当我把装饰器放在它上面时，它的.append()功能就不再起作用了。@tf.function它返回：

ValueError：无法连接零维数组

当我np.append()在函数之外使用命令时，或者没有@tf.function顶部的命令时，代码运行没有问题。

这是正常的吗？我是否被迫移除装饰器以使其工作？或者这是一个错误，因为 TensorFlow 2.0 仍然是测试版？在这种情况下，我该如何解决这个问题？

例如，您将如何创建一个模型来预测输出 Y 的平均值（没有给出输入 X）。

平均值应该是

但这不起作用。

例如：

不会产生有效的模型。

更新：

看到这里如何创建一个没有内核的 tf.keras 层？

我正在关注tensorflow-2.0中的教程。定义生成器时，没有给出变量，但调用函数时，给出了两个变量。

这是 tensorflow 网站上的官方教程。

实际上，我在 TensorFlow 1.13.0 中已经发现了问题。（tensorflow1.12.0 运行良好）。

我的代码被列为一个简单的例子：

在我的 Keras 模型中用作 lambda 层。在 tensorflow1.12.0 中，print(temp)可以输出如下的详细数据

这是因为我使用 1024 作为 batch_size。但是当我更新到 tensorflow1.13.0 或 TensorFlow 2.0 时，相同的代码输出

这很糟糕，因为我不知道确切的错误。那么，关于如何解决它的任何想法？

这是在 tensorflow-2.0 keras 中。

然后我使用这个模型（未编译）作为另一个模型构建过程的输入。

变量“V”没有出现在第一个或第二个模型的摘要中。如何在回调甚至急​​切模式下获取值 V？

我正在尝试建立几个模型来预测不同的市场发展，每个模型都使用相同的编码器网络。所以我定义了一个共享的 LSTM 网络，如下所示：

我还为每个市场定义了一个类，它有以下模型作为成员：

到目前为止一切顺利，模型都可以根据各自的数据进行训练。LSTM 模型构建一次，并作为encoder_model. 我的目标是让 LSTM 学习创建一个潜在空间，然后其他密集层使用该潜在空间进行预测。然而，在检查直方图后，我意识到编码器网络权重根本没有变化。

我检查了trainable_variables所有层都列出了，所以理论上这应该可行，对吧？我还通过以下方式在训练步骤之前保存了编码器权重

并将它们与训练后的权重进行比较

果然，权重根本没有改变（打印出来的结果只包含0）

我错过了什么？梯度不应该也通过 Sequential LSTM 网络传播吗？因为我只添加了两层，所以渐变不应该消失，对吧？