问题标签 [tensorflow2.x]

我正在尝试在 Tensorflow 2.1中转换shapea 的属性，但出现此错误：Tensor

我已经检查过的输出tf.executing eagerly()是True，

一点上下文：我tf.data.Dataset从 TFRecords 加载 a，然后应用map. 映射函数正在尝试将shape数据集样本之一的属性转换Tensor为 numpy：

这会引发错误：

虽然这非常有效：

编辑：尝试访问img.numpy()而不是img.shape.numpy()在变压器和上面的代码中导致相同的行为。

我检查了类型，img_shape它是<class 'tensorflow.python.framework.ops.Tensor'>。

有没有人在新版本的 Tensorflow 中解决了这类问题？

我正在使用一个基本的 CNN 模型对我的数据进行分类。我的输入数据的维度是 (325, 20, 244,244)。我使用的代码如下：

我得到的输出是：

谁能告诉我代码有什么问题以及如何纠正它。

拥有一个具有一个固定维度和一个可变长度维度的二维张量：如何将可变长度维度限制为最大长度？如果可变长度更短，那么它应该被保留（而不是填充）的最大值，但如果它更长，它应该只是切断末端。

例如，假设所有张量都具有形状(None, 4)，并且我希望将所有张量限制为(3, 4). 一个示例输入可能是：

...，应该修剪为：

但是，任何小于最大值的东西都应该保持不变：

...应该保持完全相同：

有没有内置命令可以做到这一点？或者您将如何实现这一目标？

我正在尝试使用 tensorflow 插件进行图像仿射转换，但我遇到了奇怪的错误。

我使用 anaconda 安装了 tensorflow 2.1，然后在 conda 上尚不可用的相同环境中安装 tensorflow 插件。错误可能来自那个事实......

这是代码，任何人都可以尝试吗？

这里的日志跟踪：

tf.keras.Model.fit在阅读了有关and的文档后，我仍然不知道tf.data.Dataset，当传递tf.data.Dataset给 fit 函数时，我应该在数据集对象上调用repeatand还是应该提供and参数来适应？或两者？我应该对验证集应用相同的处理吗？batchbatch_sizeepochs

当我在这里时，我可以shuffle在之前的数据集fit吗？（似乎很明显是的）如果是这样，在打电话之前，之后Dataset.batch和Dataset.repeat（如果打电话给他们）？

编辑：使用batch_size参数时，并且之前没有调用Dataset.batch(batch_size)，我收到以下错误：

谢谢

由于布尔值只代表一点，是否有一种有效的方法来序列化 tfrecord 中的布尔掩码并且可以在纯张量流中反序列化？

现在我将它转换为int和编码它png比序列化int64列表更好，并且很方便，因为我可以使用tf.image.decode_png纯张量流。

谢谢。

我正在尝试使用 TensorFlow2 构建一些模型，因此我创建了一个模型类，如下所示：

现在我想绘制模型，同时使用summary()返回我期望的结果，plot_model(model, show_shapes=True, expand_nested=True)只返回一个带有模型名称的块。

如何返回我的模型图？

例如，我有一个三层的顺序模型。

下面的代码片段是我向模型添加层并应用激活的常用方法

是否可以在添加每一层后应用激活函数？如下所示：

任何帮助，将不胜感激！

我正在使用 Tensorflow Keras 在 GPU 上训练 LSTM 模型。在训练开始之前调用model.fit()它需要大约 30 分钟开始训练过程。我认为在这个时期它使用 CPU 的一个核心来准备数据。我对么？如果是的话，我怎样才能并行化这个数据准备过程，使用多核？

我正在尝试实施最近的一篇论文。此实现的一部分涉及从 tf 1.14 迁移到 tf 2.1.0。该代码与 tf 1.14 一起工作，但不再工作。

注意：如果我禁用急切执行tf.compat.v1.disable_eager_execution()，那么代码将按预期工作。

这是解决方案吗？我之前在TF 2.x中制作了很多模型，并且从来不需要禁用急切执行来实现正常功能。

我已将问题提炼成一个非常简短的要点，显示正在发生的事情。

首先是链接和代码，然后是详细的错误消息

链接到 Gist—— https://gist.github.com/darien-schettler/fd5b25626e9eb5b1330cce670bf9cc17

代码

完全错误

我想到的一个潜在解决方案是用自定义层替换 Lambda 层......这似乎也解决了这个问题。不过，不确定围绕这一点的最佳实践是什么。代码如下。

想法？？

提前致谢！！

如果您希望我提供其他任何内容，请告诉我。