如何在Tensorflow rnn教程代码中获得来自训练数据的不同批次？
在TensorFlow RNN教程代码中，可以通过使用TensorFlow的tf.data.Dataset API来获得来自训练数据的不同批次。tf.data.Dataset API提供了一种高效且易于使用的方式来处理和预处理数据。
以下是在TensorFlow RNN教程代码中获得不同批次的步骤：
- 导入所需的库和模块：
import tensorflow as tf- 准备训练数据：
# 假设你已经准备好了训练数据，存储在train_data变量中
train_data = ...- 创建一个
tf.data.Dataset对象：
dataset = tf.data.Dataset.from_tensor_slices(train_data)- 对数据进行批处理：
batch_size = 32 # 设置批次大小
dataset = dataset.batch(batch_size)- 迭代数据集并训练模型：
for batch in dataset:
# 在这里进行模型的训练操作，使用当前批次的数据
...通过以上步骤，你可以在TensorFlow RNN教程代码中获得来自训练数据的不同批次。使用tf.data.Dataset API可以方便地处理大规模数据集，并且可以自定义批次大小、数据预处理等操作。
推荐的腾讯云相关产品和产品介绍链接地址：
- 腾讯云产品：https://cloud.tencent.com/product
- 产品介绍链接地址：https://cloud.tencent.com/document/product/（根据具体产品进行查找）
请注意，以上答案仅供参考，实际应用中可能需要根据具体情况进行调整和优化。
相关·内容
2回答
我正在研究https://www.tensorflow.org/tutorials/text/text_generation上的一个Keras示例 这个模型是这样构建的： def build_model(vocab_size, embedding_dim, rnn_units, batch_size):
model = tf.keras.Sequential([
tf.keras.layers.Embedding(vocab_size, embedding_dim,
batch_input_shape
浏览 18提问于2020-10-31得票数 1
回答已采纳
2回答
我已经成功地用tensorflow训练了一个word2vec，并且我想把这些结果输入到一个带有lstm细胞的rnn中进行序列标记。
1)对于如何将经过训练的word2vec模型用于rnn并不十分清楚。(如何提供结果？)
2)我没有找到太多关于如何实现序列标记lstm的文档。(我怎么把我的标签带进来？)
有人能为我指出如何开始这项任务的正确方向吗？
浏览 0提问于2015-12-25得票数 7
回答已采纳
1回答
当LSTM状态被重置时
、、、
我正在尝试使用tensorflow实现一个LSTM神经网络来进行关键字检测。我给神经网络输入了400ms的序列。然而，在训练期间，我不希望LSTM在尝试学习序列6时记住序列1。那么，如何在训练期间重置LSTM的状态呢？outputs, state = rnn.rnn(cell, inputs, initial_state=self._initial_state)参数中的initial_state是否允许在输入整个批次后重置LSTM的内存？
我试图通过这个链接来理解它的实现：
浏览 13提问于2016-08-01得票数 1
如我所知，DropoutWrapper的用法如下
__init__(
cell,
input_keep_prob=1.0,
output_keep_prob=1.0,
state_keep_prob=1.0,
variational_recurrent=False,
input_size=None,
dtype=None,
seed=None
)
。
cell = tf.nn.rnn_cell.LSTMCell(state_size, state_is_tuple=True)
cell = tf.nn.rnn_cell.DropoutWrapper(cell, output_keep_prob
浏览 3提问于2017-08-04得票数 10
OS: Windows 10使用anaconda3 - 5.2，在Anaconda命令提示符下运行命令.
下面是我用来定位word-rnn和激活conda环境的命令，以及我试图训练模型时的错误消息。我也离开了一个基于Mac的教程，所以如果"python train.py“是不正确的训练命令，请纠正我。
(基地) C:\Users\mower>conda激活丹森或流动
(tensorflow) C:\Users\mower>cd
(tensorflow) C:\Users\mower\Downloads\word-rnn-tensorflow-master>python
浏览 0提问于2018-08-20得票数 0
回答已采纳
最近，我正在做一个项目“通过使用Tensorflow中的LSTM来预测物体的未来轨迹。”(在这里，轨迹是指一系列2D位置。)
当然，LSTM的输入是“过去的轨迹”，而输出是“未来的轨迹”。
训练时，小批次的大小是固定的.然而，一个小批量的过去轨迹的数量可能是不同的.例如，让小批大小为10。如果我只有4个过去的轨迹，目前的训练迭代，6/ 10在迷你批次是填充零值。
在计算反向传播的损失时，我让6的损失为零，这样只有4对反向传播有贡献。
我关心的问题是，is..it似乎Tensorflow仍然计算6的梯度，即使它们的损失为零。因此，即使我使用相同的培训数据，随着我增加小批量大小，培训速度也会变慢。
浏览 0提问于2018-12-11得票数 0
所以看起来我在这里做错了什么，我希望得到一些帮助。当我将我的验证集输入到网络中时，维度与用于训练的维度不同。我原本期望"shape = 1363,300 vs. shape1 = 128, 300“，因为我对单词embedding的维数是300。
def make_cell():
cell = tf.contrib.rnn.BasicLSTMCell(lstmUnits)
if dropout_rate.eval(session=tf.Session()) == 1:
cell = tf.contrib.rnn.DropoutWrapper(cell,
浏览 1提问于2018-01-26得票数 2
2回答
完全卷积网络训练图像大小
、、、、
我正在尝试使用TensorFlow复制用于语义分割的完全卷积网络的结果。
我被困在将训练图像输入到计算图中。全卷积网络使用VOC PASCAL数据集进行训练。然而，数据集中的训练图像具有不同的大小。
我只想问他们是否对训练图像进行了预处理，使它们具有相同的大小，以及他们是如何对图像进行预处理的。如果没有，他们是否只是将不同大小的图像批量输入FCN？是否可以将一批不同大小的图像输入到TensorFlow的计算图中？有没有可能使用队列输入而不是占位符呢？
浏览 2提问于2016-08-20得票数 6
我通过以下步骤用tensorflow构建了一个卷积神经网络：https://www.tensorflow.org/tutorials/estimators/cnn 我想用自己的损失函数计算损失，因此需要在每个训练步骤中获得每个类的预测概率。从Tensorflow教程中，我知道我可以使用"tf.nn.softmax(logits)“获得这些概率，但是这会返回一个张量，而我不知道如何从这个张量中提取实际的概率。谁能告诉我怎样才能得到这些概率，这样我就可以计算我的损失函数了？
浏览 20提问于2019-02-03得票数 0
回答已采纳
在Tensorflow的RNN教程中：。它提到了两个参数:批量大小和时间步长。我被这些概念搞糊涂了。在我看来，RNN引入批处理是因为训练序列可能很长，以至于反向传播无法计算那么长的(爆炸/消失梯度)。因此，我们将长的待训练序列划分为较短的序列，每个序列都是一个小批量，其大小称为“批大小”。我说对了吗？
关于时间步长，RNN仅由一个单元(LSTM或GRU单元，或其他单元)组成，并且该单元是连续的。我们可以通过展开序列概念来理解它。但是展开一个连续的单元格是一个概念，而不是真实的，这意味着我们不会以展开的方式实现它。假设待训练序列是一个文本语料库。然后，我们每次向RNN单元提供一个单词，然后更新权
浏览 1提问于2017-06-06得票数 16
我试图在Tensorflow中使用dynamic_rnn函数来加速训练。在进行了一些阅读之后，我的理解是，加快培训的一种方法是显式地向函数中的sequence_length参数传递一个值。经过更多的阅读，并找到这样的解释，似乎我需要传递的是一个向量(可能由一个tf.placeholder定义)，它包含了批处理中每个序列的长度。
这里是我感到困惑的地方:为了利用这一点，我是否应该将每个批次设置为批内最长的序列，而不是训练集中的最长序列？在任何较短的序列中，Tensorflow如何处理剩余的零/pad令牌？另外，这里的主要优势是速度，还是仅仅是额外的保证，我们在训练中屏蔽垫-令牌？如能提供任何帮助
浏览 0提问于2018-01-26得票数 3
回答已采纳
我已经保存了一个基于递归神经网络的训练模型。当我运行下面的函数'lstm_vector_predict()‘时，它每次都返回一个不同的值，即使它加载的是相同的模型。在预测值时，张量流是否使用随机数生成？
import get_list_of_values_to_input
import tensorflow as tf
import tensorflow.contrib.learn as tflearn
import tensorflow.contrib.layers as tflayers
from tensorflow.contrib.learn.python.learn impo
浏览 0提问于2017-09-16得票数 2
我正在尝试训练一个LSTM网络，它以一种方式训练成功，但在另一种方式中抛出错误。在第一个示例中，我使用numpy reshape对输入数组X进行整形，而在另一种情况下，我使用tensorflow对其进行整形。
工作正常：
import numpy as np
import tensorflow as tf
import tensorflow.contrib.learn as learn
# Parameters
learning_rate = 0.1
training_steps = 3000
batch_size = 128
# Network Parameters
n_input =
浏览 15提问于2016-09-24得票数 2
我正在尝试训练一个动态rnn估计器，但似乎无法让回归器来识别我的数据的正确形状。
import random
import numpy as np
import tensorflow as tf
from tensorflow.contrib.learn import DynamicRnnEstimator
from tensorflow.contrib.learn.python.learn.estimators.constants import (
ProblemType,
)
from tensorflow.contrib.learn.python.learn.estimators
浏览 2提问于2017-12-30得票数 1
1回答
我一直在遵循教程创建和训练一个基于rnn的聊天机器人，使用tensorflow。据我所知，这些教程是在较早版本的tensorflow上编写的，因此有些部分已经过时，给我一个错误，比如：
Traceback (most recent call last):
File "main.py", line 33, in <module>
outputs, last_state = tf.nn.seq2seq.rnn_decoder(inputs, initialstate, cell, loop_function=None, scope='rnnlm
浏览 0提问于2017-03-06得票数 1
回答已采纳
我想在Tensorflow中实现一个带有预先训练好的权重的LSTM模型。这些重量可能来自Caffee或Torch。
我发现在文件rnn_cell.py中有LSTM单元，比如rnn_cell.BasicLSTMCell和rnn_cell.MultiRNNCell。但是如何为这些LSTM单元加载预先训练好的权重呢？
浏览 0提问于2016-06-26得票数 5
中的示例代码。
和
使用TensorFlow向语言模型(rnn)提供数据的标准方法的。
因此，在输入之前，我要确保将它们填充到当前批次中的最大输入长度，然后在当前批次中随机混洗。到目前为止一切顺利。
但是，我很难为形状取决于当前batch_size的tf.nn.dynamic_rnn指定初始状态。
如果批量大小是固定的，应该不会有任何问题。
但是，如果我使用的是tf.PaddingFIFOQueue.dequeue_up_to(batch_size)，如果队列中的元素不多，则返回的元素可能会少于batch_size。(如果将最后一组元素出队，则这是可能的)。在这种情况下，我们如何使用返回的确切
浏览 0提问于2017-06-24得票数 1
我使用cnn + lstm + ctc网络(基于)来做一个中文场景文本识别。对于大量的类(3500+)，网络很难训练。我听说使用组LSTM (，O. Kuchaiev和B. Ginsburg“LSTM网络的分解技巧”，ICLR2017研讨会。)可以减少参数数量并加速训练，所以我尝试在我的代码中使用它。
我使用两层双向lstm。这是使用tf.contrib.rnn.LSTMCell的原始代码
rnn_outputs, _, _ =
tf.contrib.rnn.stack_bidirectional_dynamic_rnn(
[tf.contrib.rnn.LSTMCell(num_units
浏览 15提问于2017-07-21得票数 2
我正在尝试使用TensorFlow RNN实现Andrej Karpathy的博客中的RNN字符级语言模型。对于初学者，我从TensorFlow中的LSTM教程中获取了ptb_word_lm.py，并更改了阅读器函数，以便现在不再使用具有10000个不同单词的原始PTB数据集，而是在36个不同字符的流上进行训练。(嵌入的形状相应地减小到36x36，而不是10000x200)。训练/验证集是战争与和平文本(350万个小写字符)。
我期待着一个简单的转折点。取而代之的是，在大约20次运行之后，RNN陷入了在单词的开头和结尾具有过多表示的T的状态，在5次左右的时期运行之后，样本输出开始如下所示: O
浏览 2提问于2017-01-27得票数 1
我在TensorFlow的rnn上关注了一个，但是我有一个关于输入格式的问题。
他们把raw_x (一个热向量)，基本上首先把它切成长度为200 (batch_size)的片段，形成data_x，这很好。
然后，他们进一步将data_x分割成长度为5 (num_step，或图形宽度)的片段，方法是：
for i in range(epoch_size):
x = data_x[:, i * num_steps:(i + 1) * num_steps]
y = data_y[:, i * num_steps:(i + 1) * num_steps]
yield (x,
浏览 1提问于2017-03-03得票数 0
回答已采纳
我正在尝试制作一个Tensorflow图，其中图的一部分已经预先训练并在预测模式下运行，而其余的则训练。我已经像这样定义了我的预训练单元：
rnn_cell = tf.contrib.rnn.BasicLSTMCell(100)
state0 = tf.Variable(pretrained_state0,trainable=False)
state1 = tf.Variable(pretrained_state1,trainable=False)
pretrained_state = [state0, state1]
outputs, states = tf.contrib.rnn.st
浏览 19提问于2017-07-07得票数 6
我正在尝试使用小型批次在Tensorflow中训练LSTM，但是在培训完成之后，我想通过每次向它提交一个示例来使用该模型。我可以在Tensorflow中设置图形来训练我的LSTM网络，但是我不能以我想要的方式使用经过训练的结果。
设置代码如下所示：
#Build the LSTM model.
cellRaw = rnn_cell.BasicLSTMCell(LAYER_SIZE)
cellRaw = rnn_cell.MultiRNNCell([cellRaw] * NUM_LAYERS)
cell = rnn_cell.DropoutWrapper(cellRaw, output_kee
浏览 0提问于2016-08-21得票数 5
我想在tensorflow中创建一个LSTM来预测时间序列数据。我的训练数据是一组不同长度的输入/输出序列。我可以在同一批训练中包含多个不同长度的序列吗？或者我需要将它们填充成相同的长度？如果是这样的话，是怎么做的？
另外:如果展开的RNN比输入序列长，tensorflow会做什么？rnn()方法包含一个可选的sequence_length参数，该参数似乎旨在处理这种情况，但我不清楚它是做什么的。
浏览 2提问于2016-05-11得票数 1
我正在编码rnn，类似于tensorflow提供的dynamic_rnn。我试图在GitHub上看到代码，但无法理解它们是如何实现的。我希望从零开始构建它，这样我就可以从内部自定义rnn。怎么做？
目前，我的方法是将截断的时间序列看作张量，使用tf.scan()并为所有时间序列寻找新的隐藏状态。然后使用tf.map_fn查找新的堆栈隐藏变量的输出。最后，使用tf.while_loop()查找叠加输出第一维上的每个张量的误差，并利用该损失进行反向传播。
我关心的是，在这样做之后，图形会是动态的吗？我的意思是说，首先我展开了5次，然后4次图形会擦除之前滚动的一个节点吗？
这个能行吗？
请指点。
谢
浏览 4提问于2017-04-17得票数 1
回答已采纳
我刚刚开始使用TensorFlow，我正在尝试实现一个非常简单的RNN。RNN以x作为输入，y作为输出，并且仅由一个层组成，该层以x和以前的输出作为输入。下面是我脑海中想到的那种东西的图片：
问题是，我无法通过TensorFlow API来构造一个包含循环的图。每当我定义一个张量时，我必须指定它的输入是什么，这意味着我必须已经定义了它的输入。所以有个鸡和蛋的问题。
我甚至不知道用循环来定义一个图是否有意义(首先计算什么？我是否必须定义softmax节点的初始值？)。我使用了使用变量来表示前一个输出的想法，然后手动获取y的值，并在每次输入训练样本后将其存储在变量中。但是，这将是非常慢的
浏览 2提问于2016-02-17得票数 6
我正在使用Tensorflow 2来训练分类器。我用tensorflow.data.experimental.make_csv_dataset读取了一个非常大的csv文件(一些整型特征，一些浮点型特征和结果列)。如何使用tf.data.map将每个批次转换为pandas数据框 教程非常令人困惑。有什么建议吗？
浏览 20提问于2020-08-10得票数 0
2回答
我在做一个声音识别项目。
我有1500个有标签的声音样本，分为5类。(300个声音样本，每级持续2秒)。
我正在使用一个在线工具来计算MFCC系数(例如，脉冲)(所以我不能提供代码)，然后我正在训练一个神经网络。
数据集被分割：
80% -> 80/20分割的培训集--培训/验证
20% ->测试集
经过200个训练周期后，我的网络的第一个发行版(非常糟糕)表现如下：
训练精度= 100 %/验证精度= 30 %
通过在网上和这个论坛上搜索，我找到了减少过度拟合的方法：
我上一次发布的神经网络的最终性能如下：
训练精度= 80 %/验证精度= 60 %(经过200个
浏览 5提问于2020-04-15得票数 0
我目前正在使用TensorFlow开发RNN。我从TensorFlow教程(；)开始，并定制了脚本()。
我似乎普遍同意，噪声对比估计(NCE)运行更快。因此，我使用4损失函数在4配置上运行了一个基准测试(我特别想测试softmax vs NCE)。结果显示为。
速度(每秒字)的差异不足以得出任何结论。
我不知道该怎么想: NCE在非常大的地方更强吗？我漏掉了什么吗？
如果你有什么线索请告诉我，特克斯
pltrdy
编辑：
同时， to 表示：“通过 sampled？方法，训练的计算复杂度随着目标词汇表的大小而变成常数”。
这在我们的基准上完全不是这样的。
浏览 1提问于2016-11-24得票数 0
当我训练tensorflow模型时，它通常会在每次迭代中输出类似于下面一行的信息 INFO:tensorflow:loss = 1.9433185, step = 11 (0.300 sec) 打印的损失是模型当前看到的批次的损失，还是所有先前训练批次的运行平均损失？ 如果我使用批次大小为1的批次，即每批只有一个训练样本，那么打印的损失将是每个样本单独的损失，或者它是运行平均损失吗？
浏览 57提问于2021-08-23得票数 1
我正在tensorflow 2.3.0中训练一个yolov4 (完全卷积)。
我想在训练过程中改变网络的空间输入形状，以进一步调整权重以适应不同的尺度。
这个是可能的吗？
编辑:我知道darknet的存在，但我在我的repo中使用并实现了一些非常具体的增强，这就是为什么我明确要求tensorflow的原因。
更准确地说我想做什么。
我想在Y1xX1xC训练几个批次，然后将输入大小改为Y2xX2xC，然后再次训练几个批次，依此类推。
浏览 0提问于2021-04-15得票数 1
我发现下面与RNN相关的文件都不见了。
tensorflow/tensorflow/models/...
tensorflow/tensorflow/python/ops/seq2seq.py
tensorflow/tensorflow/python/ops/rnn_cell.py
似乎新dynamic_rnn出现了..。
我对发生的事有点困惑。为什么这些文件被删除了？实际上我是在分析这些代码来训练一个聊天机器人。
浏览 2提问于2016-12-29得票数 1
回答已采纳
1回答
我正在训练一个由CNN和RNN组成的模型，输入到不同的输入，输出将被输入到FCN。现在的问题是：
我可以在CPU上运行CNN，在GPU上并行运行RNN吗？
与Tensorflow一样：
with tf.device('/cpu:0'):
CNN...
with tf.device('/gpu:0'):
RNN...
浏览 0提问于2018-05-29得票数 0
回答已采纳
1回答
我想在tensorflow中使用l2-regularizatin和Dynamic_rnn，但目前似乎没有很好地处理。While循环是错误的来源。下面是重现该问题的示例代码片段
import numpy as np
import tensorflow as tf
tf.reset_default_graph()
batch = 2
dim = 3
hidden = 4
with tf.variable_scope('test', regularizer=tf.contrib.layers.l2_regularizer(0.001)):
lengths = tf.plac
浏览 0提问于2018-04-07得票数 2
我使用tensorflow实现了一个简单的CNN。到目前为止，我习惯于在最后一个卷积层上放置一个大小为2的完全连接的层，以区分我的两个类。现在，我想将最后一个卷积层提供给RNN，然后执行分类。
最后一个卷积层的输出称为"cnn_output“，是该形式的张量
<tf.Tensor 'Sigmoid_1:0' shape=(?, 168, 32) dtype=float32>
在将其提供给rnn之前，我使用以下命令对其进行拆分：
input_series = tf.split(axis=2, num_or_size_splits= 32, value = cn
浏览 2提问于2017-11-13得票数 0
1回答
数据并行性对训练结果的影响
、、、、
我目前正在尝试使用Tensorflow网络实现多GPU培训。一种解决方案是每个GPU运行一个模型，每个GPU都有自己的数据批，并在每次训练迭代之后组合它们的权重。换句话说，“数据并行”。
例如，如果我使用两个GPU，与它们并行训练，然后组合它们的权重，那么与在一个GPU上进行这两个数据批的训练相比，产生的权重不应该是不同的吗？因为两个GPU具有相同的输入权重，而单个GPU为第二批修改了权重。
这种差异仅仅是边际的，因此与多次迭代后的最终结果无关吗？
浏览 4提问于2016-11-17得票数 3
回答已采纳
似乎tensorflow不支持双向RNN的可变批大小。在本例中，sequence_length绑定到batch_size，这是一个Python整数：
_seq_len = tf.fill([batch_size], tf.constant(n_steps, dtype=tf.int64))
outputs, state1,state2 = rnn.bidirectional_rnn(rnn_fw_cell, rnn_bw_cell, input,
dtype="float",
浏览 3提问于2016-03-23得票数 2
回答已采纳
我正在研究Tensorflow text_generation教程()，并想知道他们为什么要洗牌训练数据，尽管GRU的有状态设置是真的？
这与文档()相矛盾：“关于在RNN中使用状态性的注意事项:您可以将RNN层设置为‘有状态的’，这意味着为一个批中的样本计算的状态将被重用为下一批中的样本的初始状态。这假设在不同的连续批中样本之间存在一对一的映射。”
教程中的代码片段：
dataset = dataset.shuffle(BUFFER_SIZE).batch(BATCH_SIZE, drop_remainder=True)
tf.keras.layers.GRU(rnn_units,
浏览 3提问于2020-03-30得票数 3
问:是否实现了Tensorflow RNN来输出Elman Network的隐藏状态？
cells = tf.contrib.rnn.BasicRNNCell(4)
outputs, state = tf.nn.dynamic_rnn(cell=cells, etc...)
我是TF的RNN的新手，对输出和状态的意义很好奇。我正在学习斯坦福大学的tensorflow教程，但似乎没有详细的解释，所以我在这里询问。经过测试，我认为经过序列计算后的state是隐藏状态，而outputs是每个时间步之后的隐藏状态数组。
所以我想说清楚。输出和状态只是隐藏的状态向量，所以为了完全实现El
浏览 2提问于2017-05-08得票数 2
我正在努力理解如何在Seq2Seq模型的Tensorflow中使用RNN，我进入了动态RNN的最后一步，我得到了一个动态dynamic_decode步骤，然后我得到了错误：
ValueError:层gru_cell_3的输入0与层不兼容:需要的ndim=2，找到的ndim=1。收到的完整形状:无
import tensorflow as tf
data_inputs = tf.placeholder(tf.float32,[None,102,300])
batch_lengths = tf.cast(tf.reduce_sum(tf.reduce_max(tf.sign(data_inp
浏览 2提问于2018-04-03得票数 1
来自关于tf.contrib.rnn.RNNCell的tensorflow文档：“这个单元格的定义与文献中使用的定义不同。在文献中，‘单元格’指的是具有单个标量输出的对象。这个定义指的是这样的单元的水平数组。”
看起来，rnn细胞只接受向量作为输入。但是，我想将图像/视频馈送到rnn (例如，批次大小、步长、高度、宽度、通道)。有没有办法使用rnn cell和动态rnn来做到这一点，或者我必须手动构建一个rnn？
浏览 19提问于2018-09-05得票数 1
回答已采纳
2回答
如何在多类图像分类中获得权值图
、、、、
我正在使用keras和TensorFlow进行多类图像分割。我训练的网络给了我很好的预测，但无法分离接触的对象，这就是为什么我想使用具有"weights"参数的softmax_cross_entropy损失函数。
知道我的y_true形状是(batch-size,128,128,3)，我如何计算这些权重？
tf.losses.softmax_cross_entropy(y_true,y_pred,weights=my_weights)
浏览 0提问于2019-04-18得票数 2
1回答
我使用tensorflow提供的seq2seq库构建了一个seq2seq.py模型。在进行任何训练之前，我想要在张拉板中可视化我未经训练的模型的图形网络，但是它不想显示这个。
下面是一个很小的例子来重现我的问题。有人知道为什么这不起作用吗？你能想象一个模型的抓取是经过训练的吗？
import tensorflow as tf
import numpy as np
from tensorflow.models.rnn import rnn_cell
from tensorflow.models.rnn import seq2seq
encoder_inputs = []
decoder_inp
浏览 1提问于2015-11-18得票数 3
回答已采纳
我正在学习tensorflow2.0，并遵循。在rnn示例中，我找到了以下代码：
def build_model(vocab_size, embedding_dim, rnn_units, batch_size):
model = tf.keras.Sequential([
tf.keras.layers.Embedding(vocab_size, embedding_dim,
batch_input_shape=[batch_size, None]),
tf.keras.layers.LSTM(rnn_unit
浏览 0提问于2019-03-22得票数 8
在tensorflow中，tf.nn.static_rnn和tf.nn.dynamic_rnn有什么区别，以及何时使用它们？
这两种方法都采用了一个sequence_length参数，使计算适应于输入的实际长度；这并不是说static_rnn仅限于固定大小的输入，对吗？
dynamic_rnn有以下额外的参数：
parallel_iterations
swap_memory
time_major
但我认为这些只是微小的差别。
那么，tf.nn.static_rnn和tf.nn.dynamic_rnn的主要区别是什么?我们什么时候应该使用一种而另一种呢？
浏览 0提问于2018-07-19得票数 7
回答已采纳
我一直在学习Tensorflow 的RNN教程。
model.load_weights()不工作，并抛出错误
Traceback (most recent call last):
File "C:/Users/swati.srivastava/PycharmProjects/TensorFlow Practice/main.py", line 1232, in <module>
model.load_weights(tf.train.load_checkpoint("./training_checkpoints/ckpt_" + str(
浏览 5提问于2021-03-01得票数 0
7回答
汇总直方图中的Nan
、、、
我的程序有时会遇到这个问题(并不是每次运行都会遇到这个问题)，如果遇到这个问题，我总是可以在程序崩溃之前由于nan而保存的最后一个模型中重现这个错误。当从该模型重新运行时，使用该模型生成损失的第一个训练过程似乎没有问题(我已经打印了损失，显示没有问题)，但在应用梯度后，嵌入变量的值将变为Nan。
那么，nan问题的根本原因是什么呢？困惑，因为不知道如何进一步调试，这个程序与相同的数据和参数将大部分运行正常，只有在一些运行时才会遇到这个问题。
Loading existing model from: /home/gezi/temp/image-caption//model.flickr.rnn2
浏览 7提问于2016-10-04得票数 9
1回答
感谢您对这个问题的研究！
我正在尝试训练一个LSTM网络，它根据过去30天的股票价格预测未来5天的股票价格。我已经基于265个样本训练了模型。变量的定义如下：
# Variables
x = tf.placeholder("float", [265, 30])
y = tf.placeholder("float", [265, 5])
weights = {
'out': tf.Variable(tf.random_normal([n_hidden, y_size]))
}
biases = {
'out
浏览 0提问于2018-09-03得票数 0
1回答
我正在使用LSTM训练RNN，我知道如何以[batch size, timesteps, features]的形式将训练数据表示为3D张量，但我希望对测试/验证数据进行一些澄清；我是否正确地认为测试/验证数据也是以包含时间步长和特征/预期输出数组的训练批次的方式形成的？
浏览 0提问于2018-06-25得票数 0
我试图训练一个PyTorch神经网络来预测一维序列中的下一个值。根据PyTorch文档页面，我认为我应该能够将未批处理的输入输入到L形状的RNN中，其中L是序列的长度，H_in是输入的长度。也就是二维矢量。
import torch
x1 = torch.tensor([[1.0], [2.0], [3.0], [4.0], [5.0], [6.0], [7.0], [8.0]])
x1_input = x1[0:-1, :]
x1_target = x1[1:, :]
rnn = torch.nn.RNN(1, 1, 1)
optimizer_prediction = torch.o
浏览 6提问于2022-05-13得票数 1
我试图训练一个编码器-解码器模型，以自动生成摘要。编码器部分使用CNN对文章的摘要进行编码。译码器部分是RNN，用于生成文章的标题。
所以骨架看起来是：
encoder_state = CNNEncoder(encoder_inputs)
decoder_outputs, _ = RNNDecoder(encoder_state,decoder_inputs)
但我想预先训练RNN解码器，教模型先学会说话。解码器部分是：
def RNNDecoder(encoder_state,decoder_inputs):
decoder_inputs_embedded = tf.nn.embed
浏览 5提问于2017-06-06得票数 0
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
