如何在训练时从Tensorflow重置AdamOptimizer
在训练时，要从TensorFlow重置AdamOptimizer，可以按照以下步骤进行操作：
- 首先，导入TensorFlow库：
import tensorflow as tf- 定义模型和优化器：
# 定义模型
model = ...
# 定义Adam优化器
optimizer = tf.keras.optimizers.Adam()- 在训练过程中，当需要重置AdamOptimizer时，可以使用以下代码：
# 重置AdamOptimizer的状态
optimizer.reset_states()通过调用reset_states()方法，可以将AdamOptimizer的状态重置为初始状态，包括动量和学习率等参数。
这样，在训练时，如果需要重新开始优化过程，可以在需要的时候调用optimizer.reset_states()来重置AdamOptimizer的状态。
TensorFlow是一个开源的机器学习框架，它提供了丰富的工具和库来支持深度学习任务。AdamOptimizer是TensorFlow中常用的优化器之一，它基于自适应矩估计（Adaptive Moment Estimation）的算法，可以自动调整学习率，并且具有较好的收敛性能。
推荐的腾讯云相关产品：腾讯云AI智能机器学习平台（https://cloud.tencent.com/product/tfmla）
腾讯云提供了丰富的人工智能和机器学习相关的产品和服务，包括AI智能机器学习平台，可以帮助开发者更便捷地进行模型训练和部署。
相关·内容
1回答
微调提高内存错误
、、、
嗨，我正试着微调vgg来解决我的问题，但是当我试图训练网络时，我会得到这个错误。
形状为25088,4096的张量分配时的OOM
该网络具有这样的结构：
我从这个tensorflow预培训的vgg实现 从。
我增加这个程序只是为了训练网络：
with tf.name_scope('joint_loss'):
joint_loss = ya_loss+yb_loss+yc_loss+yd_loss+ye_loss+yf_loss+yg_loss+yh_loss+yi_loss+yl_loss+ym_loss+yn_loss
# Loss with wei
浏览 3提问于2017-04-16得票数 0
我有以下优化器，最初是用TensorFlow 1.X编写的
optimizer = tf.train.AdamOptimizer(AdamOptimizer()
optimizer = tf.contrib.opt.MovingAverageOptimizer(optimizer, average_decay=moving_average_decay)
但是现在我不得不使用Tensorflow 2.2，我尝试迁移所有的东西，以便它能够支持v1的所有功能。我设法“修复”了AdamOptimizer：
optimizer = tf.compat.v1.train.AdamOptimizer()
但
浏览 5提问于2020-06-08得票数 1
1回答
在TensorFlow中，似乎已经有几个关于“如何”积累梯度的问题。这是和。
已接受的建议，即，是做以下工作：
opt = tf.train.AdamOptimizer()
tvs = tf.trainable_variables()
accum_vars = [tf.Variable(tf.zeros_like(tv.initialized_value()), trainable=False) for tv in tvs]
zero_ops = [tv.assign(tf.zeros_like(tv)) for
浏览 0提问于2018-05-05得票数 0
回答已采纳
2回答
给定字符串 optimizer = "tensorflow.train.ProximalAdagradOptimizer" 如何实现以下目标： import tensorflow
optimizer = tensorflow.train.ProximalAdagradOptimizer() 上下文 在我的特定用例中添加上下文(以解决其中一个注释)：我正在尝试创建一个基于文本的配置，该配置描述我的模型(具体地说: estimator)是如何配置的。这样，如果我想更多地训练它们或用它们做其他事情，我可以在训练后很容易地重新实例化它们。我还没有找到一种简单的方法来做这件事；我不想找
浏览 24提问于2019-04-19得票数 2
回答已采纳
我用tensorflow训练我的模型，经过几次迭代，模型输出变成了Nan。我设置了lr=0，我认为模型权重不会更新，但是，经过几次迭代，我仍然得到了Nan。当我只是加载数据，打印输出，完全削减优化过程，我将不会得到Nan。
所以我很好奇为什么当lr=0更新的时候模型还在更新。
我用的是TF1.3。python2.7
我试过tf.train.GradientDescentOptimizer和tf.train.AdamOptimizer
浏览 1提问于2018-07-13得票数 0
回答已采纳
我正在用Tensorflow创建一个GAN。我决定让生成器和鉴别器使用Keras，因为层变得复杂了(因为在Keras中定义层更容易)。我在Tensorflow有GAN的损失和训练代码，但是我不知道如何用它来训练Keras模型。
D_loss_real = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=D_logit_real, labels=tf.ones_like(D_logit_real)))
D_loss_fake = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_wit
浏览 0提问于2018-10-11得票数 0
回答已采纳
我对TensorFlow非常陌生，也不知道如何解决这个关于更改优化器的简单问题。
例如，在恢复模型之后，我想将'AdamOptimizer‘改为'MomentumOptimizer’。
# optimizer = tf.train.AdamOptimizer(self.learning_rate)
optimizer = tf.train.MomentumOptimizer(learning_rate=self.learning_rate, momentum=0.8)
如果将"self.saver = tf.train.Saver(tf.global_variables
浏览 3提问于2017-12-10得票数 2
回答已采纳
3回答
我一直在训练我的盗梦空间ResNet V2使用Tensorflow，并通过TensorBoard记录准确性/损失等。
现在，当我今天恢复训练时，几乎立刻(在几个全球范围内)我的准确率从86%提高到97%，当我恢复我早些时候停下来的检查点时。
在看损失图时，它似乎还在逐渐减少，但精度却有了这么大的起伏。对此有明显的/合乎逻辑的解释吗？我在21时代(20岁时停止)重新开始训练，每个时代有1339个全球步数。
浏览 0提问于2018-05-04得票数 2
回答已采纳
为了让我的问题更具体，根据评论，哪些模型参数在不同的时期都在变化？起始权重？
我在这里回顾这个Tensorflow教程：
随着模型的训练，我看到有5个时期，每个时期都有不同的精度。但我不确定每个时代都在改变什么，也不确定最终的模型是如何根据这些时代确定的。以下是模型创建和训练的代码片段。
model = tf.keras.models.Sequential([tf.keras.layers.Flatten(),
tf.keras.layers.Dense(128, activation=tf.nn.relu),
浏览 0提问于2020-01-08得票数 0
1回答
我很难理解内容和样式过滤器的培训方式(例如，)如何使用TensorFlow的样式传输算法。我已经在链接文件中研究了一些算法的实现，但是我不能很好地理解它们对这个步骤的处理。为此，我认为这将有助于实现一个天真的版本，而不使用预先培训的模型。我对所涉及的步骤的理解是：
在单个图像上训练CNN (在论文中，他们使用的是经过预先训练的VGG网络)
使用经过训练的网络，输入白噪声图像。定义一个新的损失函数，该函数通过更新输入图像(这是图像“绘制”的方式)来最小化，例如，通过最小化训练模型中的conv层与输入(白噪声)图像之间的距离来导出“内容”。
因此，实现应该类似于：
import T
浏览 2提问于2016-11-28得票数 0
回答已采纳
下面有两组非常相似的代码，输入非常简单，作为我问题的示例。我认为对以下观察的解释可以回答我的问题。谢谢!
当我运行以下代码时，可以快速地对模型进行训练，并能预测良好的结果。
import tensorflow as tf
import numpy as np
from tensorflow import keras
model = tf.keras.Sequential([keras.layers.Dense(units=1, input_shape=[1])])
model.compile(optimizer='sgd', loss='mean_squared_err
浏览 0提问于2019-04-08得票数 0
回答已采纳
我正在尝试冻结Tensorflow工作流中的Keras层。这就是我如何定义图形的方法：
import tensorflow as tf
from keras.layers import Dropout, Dense, Embedding, Flatten
from keras import backend as K
from keras.objectives import binary_crossentropy
import tensorflow as tf
sess = tf.Session()
from keras import backend as K
K.set_session(
浏览 1提问于2017-05-16得票数 1
回答已采纳
我想在我的多图形处理器系统上使用tf.contrib.distribute.MirroredStrategy()，但它没有使用GPU进行训练(参见下面的输出)。另外，我正在运行tensorflow-gpu 1.12。 我确实尝试在MirroredStrategy中直接指定GPU，但同样的问题也出现了。 model = models.Model(inputs=input, outputs=y_output)
optimizer = tf.train.AdamOptimizer(LEARNING_RATE)
model.compile(loss=lossFunc, optimizer=optim
浏览 49提问于2019-02-19得票数 9
如何更新优化器在tensorflow中训练的变量列表？换句话说，如果我们有以下优化器：
optimizer = tf.train.AdamOptimizer(learning_rate).minimize(cost_scalar, var_list=my_var_list)
例如，我需要在微调网络的同时更新my_var_list。也就是说，我要去掉我不再需要训练和保留的变量。例如，在卷积神经网络中对稠密层进行微调。
任何帮助都是非常感谢的！
浏览 3提问于2017-06-16得票数 2
我在单词嵌入序列上使用RNN对句子进行分类。一开始，我在给预先训练过的单词嵌入内容，一切都很好。我将嵌入矩阵设置为一个具有维度(词汇量、嵌入大小)的tf.placeholder，并从GloVe中提供了一些经过预先训练的嵌入。我还使用tf.nn.embedding_lookup将输入(即单词ID序列)转换为嵌入序列。
然后我想让模型也训练嵌入，所以我把嵌入矩阵变成了tf.Variable，而不是占位符。现在TensorFlow给了我这个错误--显然AdamOptimizer不能处理嵌入查找。知道怎么回事或者怎么解决这个问题吗？
tensorflow.python.framework.errors
浏览 1提问于2017-04-30得票数 1
回答已采纳
我遵循本教程。
System - Windows 10，Anaconda提示，Python3.6，tensorflow 1.15.0
初始设置和培训是成功的。在暂停训练和恢复时，我从标题中得到错误消息。任何帮助都将不胜感激。
浏览 8提问于2022-02-11得票数 1
回答已采纳
我使用TensorFlow对图像进行LeNet网络分类。我使用AdamOptimizer来最小化成本函数。当我开始训练模型时，我可以观察到训练的准确性和验证的准确性以及成本都在变化，有时会减少，有时会增加。
我的问题：我们什么时候应该停止训练？我们如何知道优化器会找到最小的成本？我们应该进行多少次迭代训练？我们可以设置一个变量或条件来以最小的成本停止吗？
我的解决方案是定义一个全局变量( min_cost )，并在每次迭代中检查成本是否在降低，然后保存会话并用新的成本替换min_cost。最后，我将以最低的成本保存会话，
这方法正确吗？
提前谢谢你，
浏览 1提问于2017-06-19得票数 1
4回答
情境：
当我的训练数据在两个标签之间的标签分布不平衡时，我想知道如何最佳地使用TensorFlow。例如，假设被简化为只区分1和0，其中我们可以使用的所有图像要么是1，要么是0。当我们有大约50%的每种类型的图像需要训练和测试时，使用提供的TensorFlow教程进行训练是很简单的。但是，如果我们的数据中90%的图像是0，而只有10%是1，那该怎么办呢？我观察到，在这种情况下，TensorFlow例行公事地预测我的整个测试集为0，实现了无意义的90%的准确率。
我曾经使用过的一种策略是随机选择一批具有0和1均匀分布的训练数据进行训练，这种方法可以确保我仍然可以使用所有的训练数据并产生良好的结果
浏览 168提问于2016-01-28得票数 29
回答已采纳
当我训练我自己的tensorflow代码时，发生了以下问题。当我第一次使用tf.train.Gradientdescentoptimizer()优化我的神经网络时，一切都进行得很好，但在我将优化器改为其他优化器(如tf.train.adamoptimizer() )之后，tensorflow展示了：。
因此，我试图减少我的batch_size，但即使我将batch_size改为batch_size = 1，它仍然无法修复。
当我运行这个程序时，我没有运行任何其他程序。
我的计算机的内存是8GB，gpu的内存是6GB。
tensorflow的版本是tensorflow-gpu1.4，操作系统是
浏览 1提问于2018-07-23得票数 1
3回答
在通常的TensorFlow训练循环中，例如
train_op = tf.train.AdamOptimizer().minimize(cross_entropy)
with tf.Session() as sess:
for i in range(num_steps):
# ...
train_op.run(feed_dict = feed_dict)
train_op.run返回None。
然而，有时收集中间结果是有用的，例如目标的值或准确性。
添加额外的sess.run调用将需要再次执行前向传播，从而增加运行时：
train_op = tf.tr
浏览 2提问于2017-05-08得票数 5
我在CPU上使用TensorFlow运行一个简单的卷积神经网络，使用Python/Numpy从磁盘加载数据并准备数据。Python/Numpy部分消耗的内存非常少，因为我只加载了32个1MB的图像。
然而，在运行sess.run(AdamOptimizer)的情况下，内存使用量达到了天文数字的峰值，如下面的输出所示，其中显示了4个训练周期和一个测试周期。
12 or的峰值限制了我的批次大小、并发训练网络的数量或我的层的大小。我认为这个峰值与从Python到TF的数据传输或正向激活有关，因为它在sess.run(accuracy)语句中等效存在。
是不是我的CNN图表设计得很糟糕？谁能指出
浏览 15提问于2017-06-25得票数 2
回答已采纳
1回答
从Tensorflow (翻译，ptb)的各种例子来看，在使用GradientDescentOptimizer时，您似乎需要显式地改变学习速度。但是，当我们继续从保存的实例中训练模型时，是否使用了一些更“复杂”的技术，如Adagrad、Adadelta等等，这些优化器使用的过去值是否保存在模型文件中？
浏览 3提问于2016-05-25得票数 0
回答已采纳
首先，我想道歉，因为我不允许张贴太多的代码，因为这是一个大学项目，但我是严重的卡住了。
我试图使用CIFAR-10数据集和TensorFlow一起使用以下模型来训练一个TensorFlow：
图片: 32,32,3
conv1: 5,5,3,64 +偏倚
norm1: depth_radis=4，bias=1.0，alpha=0.001/9.0，beta=0.75
pool1: ksize=1,3,3,1，strides=1,2,2,1，padding=SAME
conv2: 5,5,64,64 +偏倚
pool2: ksize=1,3,3,1，strides=1,2,
浏览 3提问于2016-10-03得票数 0
1回答
我有一个基于TensorFlow的神经网络和一组变量。
训练函数如下：
def train(load = True, step)
"""
Defining the neural network is skipped here
"""
train_step = tf.train.AdamOptimizer(1e-4).minimize(mse)
# Saver
saver = tf.train.Saver()
if not load:
# Initalizing varia
浏览 1提问于2015-12-06得票数 6
回答已采纳
我正在训练一个模型，用于使用YOLO-darkflow进行目标检测，但我得到了这个错误。我怎么才能解决它。 2020-01-24 11:37:37.478285: W tensorflow/stream_executor/platform/default/dso_loader.cc:55] Could not load dynamic library 'cudart64_100.dll'; dlerror: cudart64_100.dll not found
2020-01-24 11:37:37.486159: I tensorflow/stream_executor/c
浏览 43提问于2020-01-24得票数 0
回答已采纳
1回答
我试图量化我的模型( CNN)，以便将其转换为量化的.tflite模型。我正在下面的教程：
首先，我通过调用以下命令在图形中引入假量化节点：
tf.contrib.quantize.create_training_graph(quant_delay=500)
但是，在结束时，我试图调用这个函数，以确保以正确的格式使用量化信息导出图形：
tf.contrib.quantize.create_eval_graph(input_graph=tf.get_default_graph())
我知道这个错误：
ValueError: Training op found in graph, exiting
浏览 0提问于2019-06-21得票数 1
回答已采纳
我试图添加层的顺序模型，以训练它与fashion_mnist数据。但是，我多次收到此错误。
#import statements
将tensorflow作为tf导入
从tensorflow进口角
导入matplotlib.pyplot作为可编程逻辑器件
从tensorflow.keras导入模型
#Creating a sequential model
model=models.Sequential([tf.keras.layers.Flatten(),tf.keras.layers.Dense(128,activation=tf.nn.relu),tf.keras.layers.Dense
浏览 3提问于2019-05-11得票数 3
我正在学习TensorFlow并尝试将其应用于MNIST数据库，并且惊讶地看到，在第二个时代(屏幕截图中的e1)，整个测试集的准确率从e0期间的9.4% (在任何体重和偏差更新之前)达到95%！
准确性会有这么大的提高吗？
代码：
批次大小: 100
历代: 10000
5层网络(4隐藏，1输出；200 / 100 / 60 / 30 neirons)
lr = 0.001
AdamOptimizer
relu & softmax活动鼓掌功能
考虑批次大小为100 & mnist训练样本#= 55000。在e1之前肯定有550个更新。
浏览 5提问于2017-11-28得票数 1
我正试图建立一个CNN来区分汽车和自行车。然而，在劳伦斯的例子中，我看到了同样的马和人的例子。但是，我并没有从某个库中加载数据，而是下载了近5000张汽车和自行车的图片，并将它们按视频中的文件夹分隔开来。但是如何加载本地文件来训练我的模型呢？我试着使用下面的代码。但它给了我一个没有发现异常的文件。
import os
# Directory with our training cycle pictures
train_cycle_dir = os.path.join('C:/Users/User/Desktop/Tensorflow/PrivateProject/Images/tra
浏览 2提问于2020-05-04得票数 0
回答已采纳
我相信在很多情况下，我们需要冻结tensorflow图中的一些层，并保持其他层的可训练性。
是否有一种方法可以快速检查网络是否如我们所期望的那样被训练？例如，冻结层中的变量实际上在培训期间没有更新。
我使用以下方法冻结范围“ABC”中的所有变量：
with slim.arg_scope(inception.inceptionb_v2_arg_scope()):
with tf.variable_scope('ABC'):
_, end_points = getattr(inception, 'inception_v2'
浏览 0提问于2018-11-03得票数 1
回答已采纳
我尝试计算tensorflow任务的数据大小(624003, 17424)，这是使用CountVectorizer从文本获得的。
我总是收到一个错误的tensorflow.python.framework.errors_impl.InternalError: Dst tensor is not initialized
但是如果我使用像(213556, 11605)样本这样的数据样本，它工作得很好。但是在增加数据集的大小之后，它失败了。
我尝试将此代码用于tensorflow
batch_size = 1024
X = tf.placeholder(tf.float32, shape=(Non
浏览 0提问于2018-10-29得票数 0
2回答
在我用Keras创建了我的模型之后，我希望得到梯度，并将它们与tf.train.AdamOptimizer类直接应用在Tensorflow中。但是，由于我使用的是Dropout层，我不知道如何告诉模型，它是否在训练模式。不接受培训关键字。这是代码：
net_input = Input(shape=(1,))
net_1 = Dense(50)
net_2 = ReLU()
net_3 = Dropout(0.5)
net = Model(net_input, net_3(net_2(net_1(net_input))))
#mycost = .
浏览 0提问于2019-04-01得票数 4
回答已采纳
我在理解tf.train.Saver的正确用法时遇到了很多麻烦
我有一个会议，在那里我创建了几个截然不同的网络模型。所有模型都经过了训练，我保存了性能最好的网络供以后使用。
然而，当我稍后尝试恢复一个模型时，我得到了一个错误，似乎表明一些变量要么没有保存，要么没有恢复：
NotFoundError: Tensor name "Network_8/train/beta2_power" not found in checkpoint files networks/network_0.ckpt
由于某些原因，当我尝试加载Network_0的变量时，系统告诉我需要Network_8的变
浏览 0提问于2016-10-21得票数 1
我已经在TensorFlow中训练了一个模型，现在我想可视化哪些输入最大限度地激活了输出。我想知道做这件事最干净的方法是什么。
我曾想过通过创建一个可训练的输入变量来做到这一点，我可以在每次运行时分配一次。然后，通过使用适当的损失函数并使用具有包含此输入变量的var_list的优化器，我将更新此输入变量，直到收敛。即
trainable_input = tf.get_variable(
'trainable_input',
shape=data_op.get_shape(),
dtype=data_op.dtype,
initializer=tf
浏览 12提问于2017-06-24得票数 1
我用TensorFlow训练了一个神经网络。经过训练后，我保存了它，并再次装入了一个新的‘。为了避免在事故中再培训，py‘档案。当我用一些额外的数据测试它时，我发现它对相同的数据有不同的预测。理论上，它不应该为相同的数据计算相同的东西吗？
一些信息前馈网络
4个隐藏层，每个层900个神经元
5000次训练
达到~80%的准确度
数据被规范化使用规格化从雪橇。预处理
成本函数: tensorflow.nn.softmax_cross_entropy_with_logits
优化器: tf.train.AdamOptimizer
我给我的网络数据作为一个矩阵，就像我用于培训的方式。(每一行包含一个
浏览 0提问于2018-06-05得票数 0
回答已采纳
我最近开始学习Tensorflow，我想知道它是否值得用于简单的优化问题(最小二乘、极大似然估计、.)而不是更传统的图书馆(科学知识-学习，状态模型)？
我已经实现了一个基本的AR模型估计器使用Tensorflow与MLE和AdamOptimizer，其结果是不令人信服的性能或计算速度。
你认为如何？
浏览 0提问于2018-03-27得票数 1
回答已采纳
2回答
想象一个定义如下的微型网络，其中TensorFlow是一个典型的辅助函数，用于定义权重矩阵和激活函数的线性变量：
final_layer = linear(linear(_input,10,tf.nn.tanh),20)
通常，这将通过损失上的梯度下降进行优化：
loss = tf.reduce_sum(tf.square(final_layer - _target)) train_step = tf.train.AdamOptimizer().minimmize(loss)
但假设我得到的是损失的导数。来自外部源(例如，名为_deriv的tf.placeholder )的final_laye
浏览 1提问于2016-10-11得票数 4
我想使用多个GPU来训练我的Tensorflow模型，利用数据并行性。
我目前正在使用以下方法培训Tensorflow模型：
x_ = tf.placeholder(...)
y_ = tf.placeholder(...)
y = model(x_)
loss = tf.losses.sparse_softmax_cross_entropy(labels=y_, logits=y)
optimizer = tf.train.AdamOptimizer()
train_op = tf.contrib.training.create_train_op(loss, optimizer)
for i
浏览 8提问于2017-04-05得票数 12
我用Keras构建了一个模型，并尝试冻结嵌入层(设置Trainable=False)，然后我使用Tensorflow来训练模型。但是，嵌入层仍然是可训练的。完整代码如下： sen_input = Input(shape=(maxlen,), name='sen_input')
emb = Embedding(embedding.shape[0], embedding.shape[1], weights=[embedding], trainable=False, name='emb')
x = emb(sen_input)
pred = Dense(num_c
浏览 66提问于2019-10-02得票数 1
回答已采纳
我尝试使用tensorflow的keras接口实现一个自定义丢失函数。
我将相同的函数添加到loss和metrics中。
def one_class_loss(y_true, y_pred):
return tf.norm(y_pred, name='distance')
model.compile(optimizer=tf.train.AdamOptimizer(0.001),
loss=one_class_loss,
metrics=[one_class_loss])
在TensorBoard中，我看到以下内
浏览 0提问于2018-10-08得票数 0
回答已采纳
当我用flow_from_directory用tensorflow加载的数据训练我的模型时，我意外地从我的培训集目录中删除了一些图像，它很快就给了我一个警告:它找不到这个文件。
所以看起来好像是在训练的时候读取图像，但是由于我的数据集不是很大，而且我的记忆只有40%，所以我希望能稍微提高我的训练速度。有没有一种方法可以告诉tensorflow在训练开始前将更多的图像预取到内存中，而不是读取当前批处理需要的图像？还是有一个故意的原因我的记忆没有使用
浏览 0提问于2020-12-28得票数 0
回答已采纳
当遵循tensorflow图像分类教程时，它首先缓存每个图像的瓶颈：
我已经使用tensorflow的Estimator重写了训练。这确实简化了所有的代码。然而，我想在这里缓存瓶颈特性。
这是我的model_fn。我希望缓存dense层的结果，这样我就可以对实际训练进行更改，而不必每次都计算瓶颈。
我如何才能做到这一点？
def model_fn(features, labels, mode, params):
is_training = mode == tf.estimator.ModeKeys.TRAIN
num_classes = len(params['la
浏览 0提问于2018-08-29得票数 14
1回答
我正在用keras和tensorflow在中训练模型。我想在Cloud中运行培训作业。使用%% bash [...]命令可以做到这一点吗？
假设我的模型看起来是这样的：
X = tf.placeholder(tf.float32, shape=[None, num_inputs])
hidden = fully_connected(X, num_hidden, activation_fn=None)
outputs = fully_connected(hidden, num_outputs, activation_fn=None)
loss = tf.reduce_mean(tf.square
浏览 0提问于2018-04-09得票数 0
回答已采纳
似乎tensorflow忽略了keras的可训练属性，这使得在tensorflow中使用keras作为语法快捷方式非常不方便。
例如：
import keras
import tensorflow as tf
import numpy as np
import keras.backend as K
Conv2 = keras.layers.Conv2D(filters=16, kernel_size=3, padding='same')
Conv2.trainable = False #This layers has been set to not trainable.
A
浏览 1提问于2018-04-08得票数 0
回答已采纳
根据tensorflow团队的建议，我已经习惯了tensorflow对tf.keras的急切执行。然而，每当我训练一个模型时，我都会收到一个警告(编辑:实际上，我多次收到这个警告，每次训练步骤不止一次，淹没了我的标准输出)：
E tensorflow/core/common_runtime/bfc_allocator.cc:373] tried to deallocate nullptr
这个警告似乎并没有影响到训练的质量，但我想知道它意味着什么，以及是否有可能摆脱它。
我使用一个conda虚拟环境，在CPU上运行python3.7和tensorflow 1.12。(编辑:用python3.6
浏览 2提问于2019-02-14得票数 4
我有一个二进制分类问题，在数据集中只注释了最初的3个正事件实例，而且我先验地知道它们可以持续15个时间实例。为了解决这个问题，我决定在训练网络时忽略15-3 =12个时间实例的损失值。
我正在使用Python中的Tensorflow训练一个LSTM网络，我的训练批次有sequence_len=240，在任何迭代过程中，在序列上随时都可能发生积极的事件。
基本上，我的成本度量是(使用AdamOptimizer)
loss = tf.nn.softmax_cross_entropy_with_logits(logits, self._targets)
cost = tf.reduce_mean(l
浏览 2提问于2016-06-12得票数 0
我已经创建了一个带有AdamOptimizer的图表，然后我用tf.train.Saver().save(session, "model_name")保存了它
经过一段时间的训练后，我能够在不同的会话中导入整个图形和变量，并使用恢复训练
saver = tf.train.import_meta_graph("model_name")
saver.restore(session, "model_name")
我想要做的是，在导入graph+variables之后，在恢复优化之前，更改AdamOptimizer的learning_rate。这有可能吗
浏览 0提问于2016-12-14得票数 0
我有一个非常大的tensorflow图，以及两组变量:A和B。我创建了两个优化器： learning_rate = 1e-3
optimizer1 = tf.train.AdamOptimizer(learning_rate).minimize(loss_1, var_list=var_list_1)
optimizer2 = tf.train.AdamOptimizer(learning_rate).minimize(loss_2, var_list=var_list_2) 这里的目标是迭代优化变量1和变量2。来自变量2的权重用于计算损失1，但在优化损失1时它们是不可训练的。同时，来自变量
浏览 17提问于2019-01-18得票数 38
哪一个是对的
一个
optimizer = tf.train.AdamOptimizer().minimize(loss = cost)
或
B
optimizer = tf.train.AdamOptimizer.minimize(loss = cost)
仅供参考，来自TensorFlow页面AdamOptimizer的截图：
浏览 0提问于2018-02-14得票数 0
2回答
我遵循本教程：，并在尝试使用tf.data.Dataset时出错。
import tensorflow as tf
import tensorflow.data
import numpy as np
from tensorflow.keras import layers
model = tf.keras.Sequential([
# Adds a densely-connected layer with 64 units to the model:
layers.Dense(64, activation='relu', input_shape=(32,)),
# Add an
浏览 0提问于2019-03-05得票数 2
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频活动推荐
腾讯云开发者
