问题标签 [tensorflow]

我正在尝试将列表传递给feed_dict，但是我在这样做时遇到了麻烦。说我有：

其中输入被输入到outputs我想要计算的某个函数中。因此，为了在 tensorflow 中运行它，我创建了一个会话并运行以下命令：

但我得到一个错误，TypeError: unhashable type: 'list'. 但是，我能够像这样传递数据元素：

所以我想知道是否有办法解决这个问题。我也尝试构建一个字典（使用for循环），但是这会导致字典只有一个元素，它们的关键是： tensorflow.python.framework.ops.Tensor at 0x107594a10

它主要是网站上教程的复制粘贴。我收到一个错误：

无效参数：ConcatOp：预期的连接维度在 [0, 0) 范围内，但得到 0 [[Node: concat = Concat[N=4, T=DT_INT32, _device="/job:localhost/replica:0/task: 0/cpu:0"](concat/concat_dim, DecodeCSV, DecodeCSV:1, DecodeCSV:2, DecodeCSV:3)]]

我的 csv 文件的内容是：

3,4,1,8,4

TensorFlow 的一大亮点似乎是“真正的可移植性”——在不同平台上无缝部署经过训练的模型——尤其是在移动设备上运行经过训练的模型？您是否有一个示例或一些教程来介绍如何在移动应用程序中打包和执行经过训练的 tensorflow 模型？

首先，我对与软件工程师相关的大多数事情都缺乏经验，所以如果问题太简单，请多多包涵。

在我的 Windows 桌面上，我安装了 VMware。在 vmware 中，我安装了 Anaconda。然后使用 pip 命令我能够安装 tensorflow。

但是，当我尝试导入它时，会出现以下错误

我在任何地方都找不到 GLIBC_2.17，我该如何解决？

如何根据条件选择执行图表的一部分？

我的网络有一部分只有在feed_dict. 如果未提供该值，则采用备用路径。我该如何使用 tensorflow 来实现它？

以下是我的代码的相关部分：

在上面的代码中，我正在寻找可以代替的东西if N > 0:

当我将这里的所有代码写入一个.py文件，然后运行它时，我得到以下输出：

但是，它实际上并不显示图像。我怎样才能看到实际的图像？

这个问题是在保存和恢复文档可用之前提出的。现在我认为这个问题已被弃用，并说人们要依赖有关保存和恢复的官方文档

老问题的要点：

我让TF在CIFAR 教程中运行良好。我已更改代码以将train_dir（带有检查点和模型的目录）保存到已知位置。

这让我想到了我的问题：如何暂停和恢复一些TF训练？

假设我们有权重

我们使用 GD 优化器：

例如，我们如何实现权重的非负性？

我试着剪掉它们：

但这会使我的训练速度减慢 50 倍。

有人知道在 TensorFlow 中对权重实施此类约束的好方法吗？

PS：在等效的 Theano 算法中，我有

它运行顺利。

我在张量流教程之一中运行示例时遇到问题。该教程说要运行我只需要输入python fully_connected_feed.py. 当我这样做时，它会通过获取输入数据，但随后失败，如下所示：

我认为这个错误是因为会话设置和/或张量评估存在一些问题。这是 mnist.py 中导致问题的函数：

如果我将loss函数中的所有代码放在一个with tf.Session():块内，它就会克服这个错误。但是，我稍后会收到有关未初始化变量的其他错误，因此我猜测会话设置或初始化或其他方面出现了重大问题。作为张量流的新手，我有点不知所措。有任何想法吗？

[注意：我根本没有编辑代码，只是从 tensorflow 教程中下载并尝试按照说明运行，使用python fully_connected_feed.py]

我正在尝试遵循本教程。

TensorFlow 刚刚问世，我真的很想理解它。我熟悉Lasso、Ridge 和 ElasticNet 等惩罚线性回归scikit-learn及其在.

对于scikit-learnLasso 回归，我需要输入到回归算法中的是DF_X[一个 M x N 维属性矩阵 (pd.DataFrame)] 和SR_y[一个 M 维目标向量 (pd.Series)]。TensorFlow 中的Variable结构对我来说有点新，我不确定如何将输入数据构造成它想要的结构。

似乎 softmax 回归是用于分类的。 如何重构我的DF_X（M x N 属性矩阵）和SR_y（M 维目标向量）以输入到tensorflow线性回归？

我目前进行线性回归的方法使用 pandas、numpy 和 sklearn，如下所示。我认为这个问题对熟悉 TensorFlow 的人非常有帮助：