问题标签 [tensorflow]

对我来说，caffe 的主要优势之一是可以在自由分布的预训练模型上进行迁移学习。

有没有地方可以从 tensorflow 格式的论文/竞赛中获得训练有素的模型？

如果没有，是否有可能将现有的 caffe（或任何其他）模型转换为 tensorflow 模型？

在没有 pb 的情况下安装后，我正在尝试有关 GPU 的教程：我输入：

我有 ：

Tensor("MatMul_1:0", shape=TensorShape([Dimension(2), Dimension(2)]), dtype=float32, device=/gpu:0)

.

Traceback（最近一次调用最后）：文件“”，第 1 行，在文件“/home/olivier/anaconda/lib/python2.7/site-packages/tensorflow/python/client/session.py”，第 345 行，在运行结果 = self._do_run(target_list, unique_fetch_targets, feed_dict_string) 文件“/home/olivier/anaconda/lib/python2.7/site-packages/tensorflow/python/client/session.py”，第 419 行，在 _do_run e。代码）tensorflow.python.framework.errors.InvalidArgumentError：无法将设备分配给节点'b_1'：无法满足显式设备规范'/gpu：0' [[节点：b_1 = Constdtype = DT_FLOAT，value = Tensor，_device = "/gpu:0"]] 由 op u'b_1' 引起，定义在：文件 ""，第 3 行，文件 "/home/olivier/anaconda/lib/python2.7/site-packages/tensorflow/python/操作/常量操作。py"，第 147 行，常量 attrs={"value": tensor_value, "dtype": dtype_value}, name=name).outputs[0] 文件 "/home/olivier/anaconda/lib/python2.7/site- packages/tensorflow/python/framework/ops.py”，第 1710 行，在 create_op original_op=self._default_original_op, op_def=op_def) 文件“/home/olivier/anaconda/lib/python2.7/site-packages/tensorflow/python /framework/ops.py”，第 988 行，在7/site-packages/tensorflow/python/framework/ops.py”，第 988 行，在7/site-packages/tensorflow/python/framework/ops.py”，第 988 行，在初始化 self._traceback = _extract_stack()

在 Torch7 中，我的 GPU 工作正常

我一直在运行这个命令：bazel run -c opt tensorflow/models/rnn/translate:translate -- --data_dir /Users/Username/data/ --train_dir /Users/User/train/ --en_vocab_size=40000 --fr_vocab_size=40000 --size 256 --num_layers 2 --steps_per_checkpoint=50

大约10个小时，仍然没有输出。有没有办法以详细模式运行命令？

我正在查看 Tensorflow 的力学部分，特别是关于共享变量的部分。在“问题”部分，他们正在处理卷积神经网络，并提供以下代码（通过模型运行图像）：

如果模型以这种方式实现，那么是否不可能学习/更新参数，因为我的训练集中的每个图像都有一组新的参数？

编辑：我还在一个简单的线性回归示例中尝试了“问题”方法，并且这种实现方法似乎没有任何问题。训练似乎很有效，代码的最后一行也可以看出这一点。所以我想知道 tensorflow 文档和我在做什么之间是否存在细微的差异。：

当我启动tensorflow Session时，它会立即在我的 dekstop（设备 0 和 2）中的两个 GPU 上分配 100% 的内存。

如何使用Python API将其限制为仅 1 个 GPU？

因此，在 tensorflow 中的卷积神经网络 cifar10 示例中，在 cifar10.py 的inference()方法中，我看到了几个这样的例子：

似乎重塑是确保输出bias_add(value, bias)具有价值的形状

我的问题是，有tf.reshape()必要吗？是否存在tf.nn.bias_add(value, bias)不会返回与 value 形状相同的张量的情况？

我无法使用 input_data.py 下载 MNIST 数据集。当我尝试调用该方法时，我看到一些 html 和以下错误：

不知道我做错了什么。我的代码是：

我正在尝试在 El 10.11.1 上安装 TensorFlow，但在创建和安装我完全不理解的 pip 包时遇到了问题。

我按照说明成功安装了 Bazel、SWIG 和 NumPy （至少此时它们似乎都可以工作）。

创建 pip 包/安装运行命令时出现以下错误：

/Users/christophermichael/tensorflow/tensorflow/tensorflow/python/BUILD:730:1：规则'//tensorflow/python:_pywrap_tensorflow.so'的C++编译失败：osx_gcc_wrapper.sh失败：错误执行命令

运行--verbose_failures，我得到：

我想知道如何stop_gradient在 tensorflow 中使用，文档对我来说并不清楚。

我目前正在使用stop_gradientCBOW word2vec 模型中的词嵌入来产生损失函数的梯度。我只想获得价值，而不是进行反向传播（因为我正在生成对抗性示例）。

目前，我正在使用代码：

但是当我运行它时，它无论如何都会进行反向传播！我做错了什么，同样重要的是，我该如何解决这个问题？

澄清：为了澄清“反向传播”，我的意思是“计算值和更新模型参数”。

更新

如果我在第一个训练步骤之后运行上面的两行，那么在 100 个训练步骤后我得到的损失与我不运行这两行时不同。我可能从根本上误解了 Tensorflow。

我尝试set_random_seed在图形声明的开头和每个训练步骤之前都使用设置。多次运行之间的总损失是一致的，但在包括/排除这两条线之间却不一致。因此，如果不是 RNG 导致了差异，也不是训练步骤之间模型参数的意外更新，您知道什么会导致这种行为吗？

解决方案

Welp，这有点晚了，但这是我解决它的方法。我只想优化一些但不是全部变量。我认为防止优化某些变量的方法是使用stop_grad- 但我从来没有找到一种方法来实现这一点。也许有一种方法，但对我有用的是将我的调整optimizer为仅优化变量列表。所以而不是：

我用了：

这阻止opt了更新不在var_list. 希望它也适合你！

我想在我的 Mac 上通过 PyCharm 使用 TensorFlow，但是当我使用时：

它给出了一个错误：

我如何解决它？