我正在将logits与循环中的标签进行比较： for r in range(logits.shape[0]):
if labels[r] == np.argmax(logits[r]):guessed += 1.0 其中labels是整数标签的一维数组，logits是二维数组，第二维是标签的概率。应该有一个常用的numpy或tensorflow快捷方式来做到这一点。你能
浏览 23提问于2019-02-19得票数 0
回答已采纳
调用以下方法时： for logits反对这一点：根据nn_ops.py的文档，我需要确保登录和标签初始化为以下内容：
def _ensur
浏览 4提问于2017-12-20得票数 1
回答已采纳
我正在尝试使用TensorFlow实现多标签分类(即，每个输出模式可以有多个活动单元)。这个问题有不平衡的类(也就是说，标签分布中的零比零多得多，这使得标签模式非常稀疏)。解决这个问题的最好方法应该是使用tf.nn.weighted_cross_entropy_with_logits函数。作为对损失函数的输入，我传递标签张量、logits张量和正类权重，这是一个常
浏览 2提问于2017-12-18得票数 0
回答已采纳
1回答
所以我想知道如何计算BandRNN的精度。 BandRnn是一种diagonalRNN模型，每个神经元具有不同数量的连接。例如： ? 这里C是每个神经元的连接数。= model(batch_x) loss = model.loss(logits, batch_y, len_batch)
loss_test = model.loss(logits, batch_y, l
浏览 12提问于2021-02-05得票数 0
1回答
我正在为稀疏输入数据编写一个二进制分类器，我希望将输入0视为数据不存在的指示，而不是该值肯定为0的指示。我最初使用的是tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(...))，但它对误报的惩罚太严厉了。我成功地编写了一个损失函数，如下所示，它提供了我想要的行为，但它慢了好几个数量级，我需要找到一种方法来窃取一些性能。def loss(labels, logits):
labels
浏览 2提问于2019-08-28得票数 1
是使用sparse_softmax_cross_entropy_with_logits时训练向量y必须为的唯一区别
在阅读应用程序接口时，我找不到与softmax_cross_entropy_with_logits相比的任何其他区别。但是为什么我们需要额外的函数呢？如果softmax_cross_entropy_with_logits提供的是单一热编码的训练数据/向量，那么它不应该产生与sparse_softmax_cross_entropy
浏览 1提问于2016-05-19得票数 119
回答已采纳
到目前为止，它是有效的。我得到每个类别的单独概率和正确的标签。但是当我尝试用tf.argmax(label, 1)获取类时，我总是得到类"0“。", shape=(1, 1), dtype=int32)# logits: Tensor("..我想继续使用tf.equal()，但标签的argmax值不正确，当然这是不可能的。有什么想法吗？我将问题从:如何在具有T
浏览 2提问于2018-01-16得票数 0
回答已采纳
1回答
optimizer.zero_grad() loss = criterion(logits, labels) optimizer.step()这里的用例是语义分割，某种程度上。标签是一个粗图像，其中每个区域(对应于输入
浏览 1提问于2020-07-09得票数 4
在Tensorflow手册中，标签的描述如下：
[0.001, 0.2, 0.5, 0.007 ... ]而且，它比一个热编码标签更有效吗
浏览 0提问于2018-06-27得票数 0
回答已采纳
1回答
weight([layer2_num,y_columns]),bias([y_columns]))
(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=prediction)) print("Epoch:{0},Loss:{1}&quo
浏览 1提问于2017-05-04得票数 5
回答已采纳
(1024, 2) and (1024,) are incompatible with ops.name_scope(scope, "hinge_loss", (logits, labels)) as scope:loss_normal = ( .hinge_loss(lab
浏览 6提问于2017-11-08得票数 1
回答已采纳
我选择softmax交叉熵作为损失，使用python代码如下：目标和日志的大小为[batch_size然而，损失在100批之后变得很大，曲线是这样的：从tf的api docus中，我知道tf.losses.softmax_cross_entropy有batch_size，num_classes目标一个热编码标签，这与我的标签大小为[
浏览 0提问于2018-01-18得票数 1
回答已采纳
1回答
在GPU上运行BERT小队模型
、、、、
我正在使用BERT Squad模型对一组文档(>20,000)提出相同的问题。该模型目前在我的CPU上运行，处理一个文档大约需要一分钟-这意味着我需要几天的时间来完成程序。然而，我是GPU的新手，我不知道如何将这些输入和模型发送到设备(Titan xp)。我知道我可以使用model
浏览 5提问于2021-05-25得票数 2
因此，我直接将"local4“的输出输入到tf.nn.softmax()。这给了我缩放的逻辑，这意味着所有逻辑的和是1。但是在丢失函数中，cifar10.py代码使用：对这个函数的描述是
警告：此op期望不缩放的日志，因为它对logits内部执行一个softmax以提高效率。不要用softmax的输出调用这个op，因为它会产
浏览 3提问于2016-06-10得票数 0
回答已采纳
我的问题是:对于一组看不见的序列，我希望标签的输出集是‘found_1’，'found_in_2'，'found_in_3‘的多类概率。也就是说，如果上面的示例是来自我的测试集的输出，我的输出最好如下所示：
DNA_seq Sample1Name Sample1Name ConcOfDNAInSample DNASeqFoundInProcessCat我想找出的是算法，特别是一个
浏览 5提问于2020-04-26得票数 0
1回答
我读过，但据我所知，对于函数tf.nn.softmax_cross_entropy_with_logits(logits, labels, dim=-1, name=None)，结果是交叉熵损失，其中logits和labels的维数是相同的。但是，对于函数tf.nn.sparse_softmax_cross_entropy_with_logits，logits和labels的维度并不相同？你能给出一个更详细的
浏览 8提问于2016-12-22得票数 4
回答已采纳
在执行图像分类任务时，我希望将神经网络输出层中使用的激活函数从softmax更改为sigmoid，但在使用此方法后，我得到了一个错误(错误信息如下。使用softmax功能时不会报告错误)。更改前的Softmax代码： # with tf.device('/cpu:0'): accuracy
浏览 14提问于2020-06-19得票数 0
1回答
缺少标签的深度多任务学习
、、、
我有一个深度的多任务网络，旨在处理三个独立的分类任务。虽然每个训练示例都有两个分类任务的标签，但只有大约10%到15%的训练示例有第三个任务的标签。该网络具有多个共享层，每个任务都有一个单独的头部，该头部由一个或多个完全连接层和softmax/ sigmoid输出层组成。为了处理第三个任务中缺少的标签，我使用tf.boolean_mask来屏蔽每个批次中没有标签的
浏览 0提问于2018-03-11得票数 6
我想根据标签的值以不同的方式计算DNN中的损失函数。从概念上讲，它是这样的： return loss_function_1(logits,labels) return loss_function_2(logits, labels)
显然，这是行不通的，因为我不能对张量对象进行这种<em
浏览 1提问于2017-01-26得票数 1
我对TensorFlow模型的定义有疑问。我正在实现一个相当特殊的神经网络模型，在这个模型中，我需要访问不同输入的输出水平的值来计算损失函数。(logits=g(input1), labels=labels1) \
浏览 0提问于2017-06-02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
腾讯会议
云直播
对象存储活动推荐
腾讯云开发者
