我需要能够在调试输出中清楚地区分张量。让我用一个示例问题来说明这一点：

输出是：

在这里，我试图获得一个简单损失函数相对于某个输入变量的梯度。在“z1”的情况下，该示例运行良好，因为存在从x到的图形连接z1。x但是它在 z2 的情况下会中断，因为从到没有图形连接z2。y通过从 的值初始化一个新变量 ，此连接“意外”中断x。在这个例子中问题很明显，但在我更复杂的实际代码中，意外替换像这样的变量更容易，从而破坏计算。然后我不得不四处寻找，试图找出我在哪里犯了这样的错误。

如果我可以检查张量并找出它们在哪里变成不同的对象，这个过程会容易得多。例如，是否有某种独特的 ID 属性或我可以检查的东西？在上面的示例中，我无法分辨，x实际上y是与打印输出完全不同的变量。它们看起来相同，但当然不是。

所以我需要其他可以打印的东西来帮助追踪x意外被交换为y. 有没有这样的财产？肯定有，但我找不到。也许我可以打印对象的内存地址或其他东西，但我也不确定如何在 Python 中做到这一点。

我正在使用来自 Tensorflow 2.2 的 Keras 功能 API 来构建一个使用特征列的模型。我按照此处的指南和教程对结构化数据进行分类以制作代码片段：

不幸的是，此代码失败并出现错误：

当我从 feature_columns 中删除类别列“thal”时，它可以正常工作。不幸的是，我需要将类别列传递到我的模型中。我不知道如何解决它。

我正在尝试按照以下来源实现 PiX2Pix 框架：https ://www.tensorflow.org/tutorials/generation/pix2pix?hl=ru ，但有一个例外。

我正在尝试使代码适用于 MINST 数据集，而不是适用于他们使用的外观数据集。我注意到在 train_images 的预处理和 train_images 到 train_dataset 的转换结束时，外观数据集的数据类型是“DatasetV1Adapter”，但对于 MNIST，它是“BatchDataset”。现在，我的代码无法正常工作，并且在运行培训后出现“太多值无法解包”的错误消息，我认为这与这种差异有关。有没有办法将它们从一种转换为另一种？

我是 python 和 tensorflow 的新手，完全不知道这个问题。一些帮助将非常受欢迎。谢谢你。

我想在 tensorflow2 中连接两个张量棋盘式，如下所示：

示例 1：

示例 2：

tensorflow2中是否有一种像这样连接它们的体面方法？

一些背景知识：我首先将带有棋盘掩码的张量 c 分成两半 a 和 b。经过一些改造后，我必须将它们连接回原始形状和秩序。

我所说的棋盘式是什么意思：

我想在 NumPy 中重新创建 Xavier 初始化（使用基本函数），就像 TensorFlow2 为 CNN 所做的那样。以下是我在 NumPy 中学习 Xavier 初始化的方法：

这是我为逻辑回归模型学习 Xavier 初始化的方式。似乎对于卷积神经网络，它应该有所不同，但我不知道如何。

当 TensorFlow文档解释“fan_in”和“fan_out”时，我感到很困惑。我猜这就是问题所在。有人可以帮我把它弄糊涂吗？

非常感谢！

[更新]：

当我遵循tf.keras.initializers.GlorotUniform文档时，我仍然没有得到相同的结果：

在尝试运行后出现的错误下方，如果回滚顶级 Tensorflow 2.0 版本，该错误不会持续存在。在 Jupyter Notebook 中自动完成时，所有部分都正常显示，只是无法加载。有什么可能的解决方法来避免回滚到旧版本？

在：

出去：

我目前正在使用一个tf.keras.utils.Sequence对象为 CNN 生成图像批次。我正在使用 Tensorflow 2.2 和Model.fit模型的方法。use_multiprocessing=True当我拟合模型时，当我设置时，每个时期都会引发以下警告tf.keras.model.fit(...)：

正如文档和我使用Sequence基于 - 的生成器的事实所预期的那样，该模型正在优化。但是，如果use_multiprocessing要使用已弃用的功能代替tf.data对象，我希望使用最新的输入管道。我目前使用以下tf.keras.utils.Sequence基于生成器的生成器，该生成器受这篇关于大型数据集分区良好实践的文章的启发： https ://stanford.edu/~shervine/blog/keras-how-to-generate-data-on-the-fly

所有类的所有数据都在data_dir目录中，并存储为单独的.npy文件。ID 来自字符串列表。类标签取自以 ID 为键的字典——如文章中所述。

Sequence我真的很喜欢发电机设置的直觉。我还可以轻松地生成随机批次来检查它的行为是否符合我的预期。但是我怎样才能重现这个设置tf.data呢？如何Sequence使用interleave和prefetch方法重现生成器的多处理批量生成tf.data.Dataset？和/或我可以简单地使用该方法摄取这个Sequence基于生成器吗？tf.data.Dataset.from_generator()

提前谢谢了。

问题是我只在 TensorFlow 2 文档中找到了一个标签二进制分类的示例。

来自 doc 的示例参考

我已经尝试过的解决方案是使用 class_weight 列表、class_weight dict 和 class_weight 数组。我想知道是否有办法将多标签二进制分类类权重注入TensorFlow 2的fit()

我尝试过的例子

背景

我们对 TensorFlow 比较陌生。我们正在研究一个涉及视频数据集的 DL 问题。由于涉及的数据量很大，我们决定对视频进行预处理并将帧作为 jpeg 存储在 TFRecord 文件中。然后，我们计划使用tf.data.TFRecordDataset将数据提供给我们的模型。

视频已被处理成序列化张量中的片段，每个片段由 16 帧组成。每帧是一个 128*128 的 RGB 图像，编码为 jpeg。每个序列化段与一些元数据一起作为序列化存储tf.train.Example在 TFRecords 中。

TensorFlow 版本：2.1

代码

下面是我们用来tf.data.TFRecordDataset从 TFRecords 创建的代码。您可以忽略num和file字段。

问题

在训练时，我们的模型因为内存不足而崩溃。我们通过运行一些测试并使用带有标志的memory-profiler分析内存来进行调查。--include-children

所有这些测试都是通过使用以下代码多次迭代数据集来运行的（仅限 CPU）：

我们现在正在处理的 TFRecords 子集的总大小约为 3GB 我们更喜欢使用 TF2.1，但我们也可以使用 TF2.2 进行测试。

根据TF2 文档，file_buffer 以字节为单位。

试用一：file_buffer = 500*1024*1024，TF2.1

试用二：file_buffer = 500*1024*1024, TF2.2 这个好像好多了。

试用 3 file_buffer = 1024*1024, TF2.1 我们没有这个情节，但 RAM 最大约为 4.5GB

试用4 file_buffer = 1024*1024，TF2.1，但预取设置为10

我认为这里存在内存泄漏，因为我们可以看到内存使用量随着时间的推移逐渐增加。

以下所有试验仅运行 50 次迭代，而不是 100 次

试用 5 file_buffer = 500*1024*1024, TF2.1, prefetch = 2，所有其他 AUTOTUNE 值都设置为 16。

试用6 file_buffer = 1024*1024，其余同上

问题

1. file_buffer 值对内存使用有什么影响，对比 Trail 1 和 Trail 3，file_buffer 减少了 500 倍，但内存使用量只减少了一半。文件缓冲区值真的以字节为单位吗？
2. 试验 6 的参数看起来很有希望，但尝试用相同的参数训练模型失败了，因为它再次耗尽了内存。
3. TF2.1有bug吗，为什么试玩1和试玩2差别这么大？
4. 我们应该继续使用 AUTOTUNE 还是恢复到恒定值？

我很乐意使用不同的参数运行更多测试。提前致谢！

我的预测输出有问题。我留下了我的分类器的模型代码（6个类）我正在使用Tensorflow 2.2代码是：

而对于预测：

好吧，当我执行 model.predict(image_to_predict) 并打印结果时，返回给我的输出如下：

输出是正确的，检测到的类是预期的，但这不是我想要的。我需要有一个输出，可以让我恢复做出选择的信心百分比，例如：

但我找不到任何能让我确定评估的功能。有人知道我该怎么做吗？