问题标签 [tflearn]

我是 tensorflow/tflearn 和深度学习的新手，所以这些可能是基本问题，但我将不胜感激。

• 问题 1：我已经能够使用 tflearn 在一组 2 年的时间序列数据/序列上成功运行 LSTM 模型。我可以通过“look_back”的变体（例如 1 天、7 天、30 天）运行模型，但它会在每次迭代时输出一个值。运行 LSTM 进行更大的回顾可以提高我的测试数据集的 RMSE。我的问题是，如果我的目标是在给定一组历史每日值的情况下预测“未来 30 天”，我该如何修改模型？我想我需要将我的 OUTPUT 张量修改为一个序列，或者以某种方式在每次迭代中将解码器输出作为下一次迭代的输入？还是我修改模型以输出完整序列？我找不到任何明确的例子来说明如何做到这一点。
• 问题 2：模型训练完成后，具体如何生产模型。假设在我的案例中，我使用一年的数据训练/测试了一个模型来预测接下来的 30 天。我现在如何才能实现这一点，以便当我获得每日价值时，它们会与模型集成。同样，任何这样的例子都会很棒。

我试图通过 tensorflow 教程，但我不确定它们是否解决了这些问题。

谢谢

我正在训练 PTB 数据集以预测字符（即字符级 LSTM）。
训练批次的维度是 [len(dataset) x words_size]。在这里，vocabulary_size = 27（26+1[对于 unk 标记和空格或句号。]）。
这是将批次输入（arrX）和标签（arrY）转换为 one_hot 的代码。

我正在 Graph 中制作输入（X）和标签（Y）的占位符，以将其传递给 tflearn LSTM。以下是图形和会话的代码。

所以，我收到以下错误assert ndim >= 3, "Input dim should be at least 3." AssertionError: Input dim should be at least 3.

我该怎么resolve this error办？有没有替代的解决方案？我应该编写单独的 LSTM 定义吗？

我是 tflearn 的新手，我正在尝试训练一个 CNN 来解决图像输入 - > 图像输出回归问题，其中输入图像是 MxN 灰度或 MxNx3 RGB。

我有一个非常大的训练集，不适合内存，所以我想“即时”训练，在训练准备好使用它们时从磁盘中提取图像。

image_preloader 似乎假设我们将始终解决其中 X 是输入图像且 y 是对应于 X 的一组标量标签的问题。

对于 X 和 y 都是图像的回归问题，在 tflearn 框架中执行类似操作的最佳方法是什么？我觉得我必须遗漏一些明显的东西，但是我浏览了 Data Utils、Data Augmentation 和 Data Preprocessing 部分并没有看到任何东西。

对于我正在尝试做的全部范围：我在磁盘上有大量图像。在运行中，我需要能够加载我的图像，然后对图像进行一些修改以定义输入图像 X 和 y。需要扩充磁盘上的图像以正确定义 X 和 y。给定从磁盘读取的 minibatch X，我可以一次定义 X 和 ya 批次。

我一直 在用 8GB RAM、intel core i7-4th gen 在我的电脑上编译这个程序用于鸟类图像预处理。处理器，但每次运行一段时间后都会卡住，显示此错误：

作为 tensorflow 的新手，我不确定是否正在使用 CUDA（我已成功安装），还是只是 CPU 仍在执行计算。

我有一个包含 4 个波段的 RGBI 图像，并且希望能够使用 tensorflow 和深度学习将图像像素分为两类。在训练数据中，每个像素被视为具有 4 个值/特征的观察值作为图像强度。我使用以下函数来创建网络

但我收到以下错误

ValueError：无法为张量“InputData/X:0”提供形状 (64, 4) 的值，其形状为“(?, 1, 4)”

我不知道问题出在哪里。使用深度神经网络与随机森林进行基于像素的分类有什么好处吗？如果是的话，我该如何使用上述功能来做到这一点。

谢谢你。

我将对图像执行基于像素的分类。这是我用于训练 NN 的代码

问题是，在训练模型之后， p.array(model.predict(x_test)) 的结果仅为 1，尽管我预计这是 2 或 3。在一个示例中，我有 4 类对象，我预计该命令的结果是 2 到 5 之间的标签（注意：y_train 的 int 值介于 2 到 5 之间）但预测函数的输出再次为 1。这可能是训练阶段的问题吗？

有没有办法告诉 TFLearn 以 V2 格式保存检查点？我正在使用 TensorFlow 的当前 (r0.12.1) 版本。如果您遵循一个简单的示例，例如：

https://www.tensorflow.org/tutorials/tflearn/

你会被淹没：

虽然警告很容易被忽略。我想将这些文件保存到正确的版本中，以便以后不必升级它们。

我有一个代码，它以前运行过，但现在没有。

但现在我收到错误消息"AttributeError: 'tensorflow.contrib.learn' object has no attribute 'TensorFlowEstimator'"

如何为 Tensorflow 0.12 修改此指令？

我正在为我的深度学习项目寻找更高层的抽象。

最近有点疑惑。

1. 我真的很困惑哪个更积极地维护tflearn ( docs ) 或tensorflow.contrib.learn。但是项目不同，并且在 Github 上积极贡献。我没有找到为什么人们会以这种方式工作，相同的目标，相同的名字，但工作方式不同。

2. 这还不够，我们还有skflow，为什么我们单独有这个项目，这是为了模仿 scikit-learn 的深度学习功能（就像tflearn一样）。

3. 来的越来越多，选哪一个，以后会维持哪一个？

有任何想法吗？

PS：我知道这可能会关闭。但我肯定首先想要一些答案。那些希望它关闭的人，请注意在评论中删除原因/提示/链接

我是 TFLearn 的新手，我正在尝试一个简单的神经网络来预测输入数组时的输出数组值。

此代码的实际输入将是灰度图像的像素值或从灰度图像中提取的特征。因此输入是二维数组格式。输出将是每个像素的预测颜色。

在示例代码中，我使用了两个大小为 9 的随机数组。当输入“t_x”数组时，我需要训练网络来预测“t_y”数组。代码运行，但预测很差。

代码改编自 TFLearn 的 MNIST 示例，可在此处找到

这是我的代码

我假设它与“conv_2d”和“fully_connnected”函数中指定的参数值有关。

我必须设置什么值才能获得准确的预测？