tensorflow-estimator相关内容
我在 TensorFlow 1.4 中使用 tf.estimator 并且 tf.estimator.train_and_evaluate 很棒,但我需要提前停止.添加它的首选方式是什么? 我假设在某处有一些 tf.train.SessionRunHook 用于此目的.我看到有一个带有 ValidationMonitor 的旧 contrib 包,它似乎提前停止,但它似乎在 1.4 中不再存
..
当我尝试向我保存的模型发送预测请求时收到以下错误,使用 TensorFlow Serving 运行: {“错误":“索引的预期 D2 为 2,在位置 0\n\t [[{{node linear/linear_model/linear_model/linear_model/int2Id_X_stringId/SparseCross}}]]"} 问题似乎来自尝试在线性模型中使用交叉列......?
..
我改变了我的问题以更好地解释我的问题: 我有一个函数:output_image = my_dunc(x) x 应该像 (1, 4, 4, 1) 请帮我修复这部分的错误: out = tf.Variable(tf.zeros([1, 4, 4, 3]))指数 = tf.constant(0)定义条件(索引):返回 tf.less(index, tf.subtract(tf.shape(
..
我试图使用 此代码,因为它在 Tensorflow 1.13.1 上.但是,它会引发以下错误: sherlock@mybox:~/cs273/autocat/bert$ python streaming2.py回溯(最近一次调用最后一次): 中的文件“streaming2.py",第 233 行tf_f1 = tf_f1_score(t, p)文件“streaming2.py",第 161 行,
..
所以我基本上复制粘贴了适应这个模型的 tensorflow 教程中的代码: 它试图对神经网络进行建模以识别“楼梯"形状,如下所示: (来源:gormanalysis.com) 将 numpy 导入为 np将张量流导入为 tf将 _pickle 导入为 cPicklewith open("var_x.txt", "rb") as fp: # Unpicklingvar_x = cPic
..
我在 python 上使用 tensorflow 的 estimator 库.我想使用经过预训练的老师来训练学生网络.我面临以下问题. train_input_fn = tf.estimator.inputs.numpy_input_fn(x={"x": train_data},y=train_labels,批量大小=100,num_epochs=无,洗牌=真)student_classifie
..
我正在使用 Tensorflow 1.14 和 tf.keras API 来构建数量 (>10) 个不同的神经网络.(我也对使用 Tensorflow 2 回答这个问题感兴趣).我想知道我应该如何组织我的项目. 我使用 tf.keras.estimator.model_to_estimator 和 Tensorboard 将 keras 模型转换为估算器以进行可视化.我有时也使用 model
..
我写了下面的代码,它假设加载一个模型,然后对来自 MNIST 数据集的元素进行预测运行.在执行开始时,代码工作正常,我得到了我想要的预测,但突然间我确实收到了以下错误,我不确定这是否与 .predict arguments 有关. 我的代码: # 导入库将 tensorflow 导入为 tf # 深度学习库.张量只是多维数组import gzip,sys,pickle # 数据集操作库#
..
我有一个使用 TensorHub text_embedding 列的估算器,如下所示: my_dataframe = pandas.DataFrame(columns=["title"})# 填充数据标签 = []# 用 0|1 填充标签Embedded_text_feature_column = hub.text_embedding_column(键=“标题",module_spec="htt
..
背景 我有一个 colab 和一个非常简单的演示 Estimator 用于学习/理解 Estimator API 旨在为即插即用模型,具有有用的交易技巧(例如,如果验证集停止改进,则提前停止,导出模型等). 三个 Estimator 模式(TRAIN、EVAL 和 PREDICT)返回一个 EstimatorSpec. 根据文档: __new__(CLS,模式,预测=无,#预测
..
我目前正在尝试使用 tensorflow 预制估计器 (tf.estimator.DNNRegressor) 来预测粒子的运动. 我想将平均损失图的图像(例如一个张量板显示)保存到每个模型的文件夹中. Tensorboard 非常适合在训练期间监控这一点,但我想保存图像以供将来参考(例如,直观地比较不同的方法) 有没有简单的方法可以做到这一点?我可以保存不同时间的评估结果并使用m
..
我正在寻找一种实现学习率搜索的方法,如下所述:https://arxiv.org/pdf/1506.01186.pdf . 我的网络是使用 estimator api 实现的,我想坚持下去,但不幸的是,我无法强制 estimator 跳过保存检查点.您知道一种无需保存检查点就可以简单地运行一个 epoch o 训练的方法吗? 解决方案 根据文档 tf.estimator.RunCon
..
我正在尝试为我的模型添加类权重作为超参数,但是为了计算权重,我需要读取输入数据,这发生在 input_fn 内部,然后传递给 estimator.fit().input_fn 的输出只是特征,标签应该具有相同的形状 num_examples * num_features.我的问题 - 有没有办法将数据从 input_fn 传播到 model_fn 的超参数映射?或者作为替代 - 也许 input_
..
因此,在使用 GPU 的 TensorFlow 指南中,有一部分是关于使用多个 GPU以“多塔方式": ...对于 ['/device:GPU:2', '/device:GPU:3'] 中的 d:with tf.device(d): #
..
TLDR:如何创建一个变量来保存用于计算自定义指标的混淆矩阵,并在所有评估步骤中累积值? 我已实施在 tf.estimator.train_and_evaluation 管道中使用,以混淆矩阵为关键.我的目标是让这个混淆矩阵在多个评估步骤中持续存在,以跟踪学习进度. 在变量范围内使用 get_variable 不起作用,因为它不会将变量保存到检查点(或者看起来如此). 这不起作用
..
到目前为止,我使用 tf.contrib.predictor.from_saved_model 来加载 SavedModel(tf.estimator 模型类).然而,不幸的是,这个功能在 TensorFlow v2 中被删除了.到目前为止,在 TensorFlow v1 中,我的编码如下: predict_fn = predictor.from_saved_model(model_dir +
..
我想加快使用 Estimator API 和使用 tf.data.Dataset 编写的 input_fn 的训练例程. 我的实现需要 2 秒来准备一批数据,然后在 GPU 上运行训练 1 秒,然后重新开始准备一批数据.这真的是低效的. 我正在寻找一种方法来异步准备批次并将它们上传到 GPU 以加快训练速度.或者作为一种在 input_fn 调用之间缓存数据集的方法(dataset.c
..
我正在尝试用生成器训练一个估算器,但我想为每个迭代提供一个包含样本包的估算器.我显示代码: def _generator():对于我在范围内(100):专长 = np.random.rand(4,2)标签 = np.random.rand(4,1)产出专长,标签def input_func_gen():形状 = ((4,2),(4,1))数据集 = tf.data.Dataset.from_ge
..
上下文: 我有一个基于 tf.estimator.DNNClassifier 的简单分类器它通过意图标签获取文本和输出概率.我能够将模型导出到可服务对象,并使用 tensorflow 服务 为服务对象提供服务.问题是这个 servable 太大(大约 1GB),所以我想尝试一些 张量流图转换 以尝试减小所提供文件的大小. 问题: 我了解如何使用 saved_model.pb 并使
..
如何在 train(...) 完成后从 tf.estimator.Estimator 获取最后一个 global_step?例如,一个典型的基于 Estimator 的训练程序可能是这样设置的:n_epochs = 10model_dir = '/path/to/model_dir' def model_fn(特征、标签、模式、参数):# 一些代码来构建模型经过def input_fn():ds
..