变量tf.Variable在TensorFlow概率中的梯度为'None‘
在TensorFlow概率中，变量tf.Variable的梯度为'None'表示该变量不会被自动求导。tf.Variable是TensorFlow中用于创建可训练的变量的类，它可以在模型训练过程中被优化器自动更新。然而，并非所有的变量都需要被优化器更新，有些变量可能是固定的或者不需要梯度的。
梯度是指函数在某一点处的变化率，用于优化算法中的参数更新。在TensorFlow中，通过调用tf.GradientTape()来记录计算梯度的过程。默认情况下，只有被tf.Variable包装的变量才会被记录梯度，其他的变量如常量或者通过tf.constant()创建的变量是没有梯度的。
对于变量tf.Variable的梯度为'None'的情况，可能有以下几种可能的原因：
- 该变量被设置为不可训练：在创建tf.Variable对象时，可以通过设置trainable参数来控制是否可训练。如果trainable参数被设置为False，那么该变量将不会被优化器更新，因此梯度为'None'。
- 该变量没有被包含在tf.GradientTape()的上下文中：在使用tf.GradientTape()记录梯度时，需要确保所有需要求导的操作都在tape的上下文中进行。如果变量的梯度为'None'，可能是因为在计算梯度时没有包含该变量。
- 该变量没有被使用：如果变量没有在计算图中被使用，那么TensorFlow将无法计算其梯度。在使用tf.Variable创建变量后，需要确保在计算图中使用该变量，否则梯度将为'None'。
总之，当变量tf.Variable在TensorFlow概率中的梯度为'None'时，可能是由于该变量被设置为不可训练、没有被包含在tf.GradientTape()的上下文中或者没有被使用。需要根据具体情况进行调查和排查。
相关·内容
在TensorFlow或Theano中，你只告诉图书馆你的神经网络是怎样的，以及前馈应该如何操作。
例如，在TensorFlow中，您可以编写：
with graph.as_default():
_X = tf.constant(X)
_y = tf.constant(y)
hidden = 20
w0 = tf.Variable(tf.truncated_normal([X.shape[1], hidden]))
b0 = tf.Variable(tf.truncated_normal([hidden]))
h = tf.nn.softma
浏览 2提问于2016-02-11得票数 10
回答已采纳
我试图使用SparseTensor来表示完全连接层中的权重变量。
但是，TensorFlow 0.8似乎不允许使用SparseTensor作为tf.Variable。
有办法绕过这件事吗？
我试过了
import tensorflow as tf
a = tf.constant(1)
b = tf.SparseTensor([[0,0]],[1],[1,1])
print a.__class__ # shows <class 'tensorflow.python.framework.ops.Tensor'>
print b.__class__ # shows
浏览 2提问于2016-05-03得票数 6
我一直试图为GradientDescentOptimizer在TensorFlow中的每一步收集梯度步骤，但是当我试图将apply_gradients()的结果传递给sess.run()时，我仍然会遇到一个TypeError。我试图运行的代码是：
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
x = tf.placeholder(tf.float32,[None,784])
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variabl
浏览 4提问于2016-01-20得票数 2
回答已采纳
问题
使用Tensorflow的partial_run()方法不像我预期的那样工作。我使用它的底部提供的代码，我相信它是给我附加的错误。
数据的一般流程是，我需要从模型中得到一个预测，在某个非tensorflow代码中使用该预测(为软件合成器编程)，然后在播放midi音符后获得音频特征(MFCCS、RMS、FFT)，这个音符最终可以传递到成本函数，以检查预测的修补程序与重新创建所需声音的距离有多近，例如当前的例子。
代码-省略预处理
# Create the tensorflow graph.
dimension_data_example = generate_examples(1,
浏览 0提问于2017-02-28得票数 4
回答已采纳
我正在使用Tensorflow，并且正在使用已经为TensorFlow1 (https://github.com/openai/maddpg/blob/master/maddpg/common/tf_util.py)实现的代码。在将代码迁移到tensorflow 2时，我能够使用在线提供的文献进行大多数更改。但是，我找不到145行的合适替代品： gradients = optimizer.compute_gradients(objective, var_list=var_list) 这将抛出一个错误 Attribute Error: 'Adam' object has no
浏览 429提问于2021-05-07得票数 4
1回答
以下是我的代码
import tensorflow as tf
import numpy as np
def forward(x):
z = tf.Variable(tf.zeros_like(x), trainable=False)
s = tf.shape(x)[0]
for i in range(s):
z[i].assign(x[i]**i)
return z
a = tf.Variable(np.ones([5])*3)
with tf.GradientTape() as tape:
b = forward(a)
grad = tape.gradien
浏览 17提问于2021-02-17得票数 1
回答已采纳
在实践中，我想在tensorflow中实现一个模型，它给出输入的平方。我的代码工作正常，但是当我查看TensorBoard中的计算图时，丢失操作没有连接到梯度子图，也没有连接到Adam。为什么会这样呢？据我所知，计算梯度时，tensorflow必须导出损失。
这是我的代码：
import numpy as np
import tensorflow as tf
np_inp = np.array([3, 6, 4, 2, 9, 11, 0.48, 22, -2.3, -0.48])
np_outp = np.power(np_inp, 2)
inputs = tf.Variable(np_i
浏览 5提问于2019-09-04得票数 1
回答已采纳
我正在学习如何在MNIST教程中使用Tensorflow，但我在本教程中遇到了一些问题。
以下是提供的代码：
from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
x = tf.placeholder(tf.float32, [None, 784])
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Va
浏览 2提问于2016-10-17得票数 3
回答已采纳
2回答
在TensorFlow中，我试图在训练过程中改变权重，但结果没有变化。我试图破坏权重(设置为零)，但似乎什么也做不了(除了需要更长的时间才能完成)。我遗漏了什么？有没有一种方法可以在会话期间像处理常规矩阵/张量一样处理W？
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
import tensorflow as tf
sess = tf.InteractiveSession()
x =
浏览 3提问于2016-05-02得票数 1
1回答
假设我对MNIST数据有简单的TensorFlow模型，如下所示
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
x = tf.placeholder(tf.float32, [None, 784])
y_ = tf.placeholder(tf.float32, [None, 10])
W = tf.Variable(tf.zero
浏览 3提问于2016-05-10得票数 1
回答已采纳
我刚开始学习tensorflow，在使用tf.gradients函数时遇到了以下错误。下面给出了tf.gradients的代码和错误。
Python代码：
import tensorflow as tf
if __name__ =='__main__':
os.environ['CUDA_VISIBLE_DEVICES'] = "0"
w1 = tf.Variable([[1, 2]])
w2 = tf.Variable([[2], [1]])
res = tf.matmul(w1,w2)
gra
浏览 1提问于2019-04-01得票数 0
我有以下代码
pred_raw = create_feedforward_nn_model(x, weights, biases)
pred = tf.round(tf.nn.sigmoid(pred_raw))
cost = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(labels=pred, logits=y))
train_op = tf.train.AdamOptimizer(learning_rate).minimize(cost)
在这里，create_feedforward_nn_m
浏览 0提问于2018-07-23得票数 3
回答已采纳
我尝试了以下代码：
from d2l import tensorflow as d2l
import tensorflow as tf
@tf.function
def corr2d(X, k, Y): #@save
"""Compute 2D cross-correlation."""
with tf.GradientTape() as tape:
for i in range(Y.shape[0]):
for j in range(Y.shape[1]):
浏览 20提问于2021-02-17得票数 0
我是tensorflow的新手，并实现了一个线性回归模型。我正在使用的数据集可在中使用。在每一个时代，损失都在增加。这是我的密码-
import tensorflow as tf
import numpy as np
A = np.loadtxt("housing.data",dtype=np.float32)
s = A.shape
B = A[:,:s[1]-1]
C = A[:,-1]
C = C.reshape(s[0],1)
W = tf.Variable(tf.ones([s[1]-1,1]))
b = tf.Variable([.3],tf.float32)
浏览 1提问于2017-06-01得票数 0
我是机器学习的新手，我正在按照tensorflow的教程创建一些学习MNIST数据的简单神经网络。
我已经建立了一个单层网络(遵循教程)，准确率约为0.92，这对我来说是可以的。但后来我又增加了一层，准确率降到了0.113，这是非常糟糕的。
下面是两层之间的关系：
import tensorflow as tf
x = tf.placeholder(tf.float32, [None, 784])
#layer 1
W1 = tf.Variable(tf.zeros([784, 100]))
b1 = tf.Variable(tf.zeros([100]))
y1 = tf.nn.softm
浏览 3提问于2016-07-01得票数 6
回答已采纳
3回答
我发现了在Tensorflow中实现的CNN的例子。
在CNN的这个例子中，偏差是常数的(从第59行开始)。
58 W1 = tf.Variable(tf.truncated_normal([6, 6, 1, K], stddev=0.1))
59 B1 = tf.Variable(tf.constant(0.1, tf.float32, [K]))
60 W2 = tf.Variable(tf.truncated_normal([5, 5, K, L], stddev=0.1))
61 B2 = tf.Variable(tf.constant(0.1, tf.float32, [L]))
6
浏览 0提问于2018-07-11得票数 0
回答已采纳
为了使我的问题重现性，我使用虹膜花数据集(10行任意行，所有列标准化)和一个最小的神经网络模型(它用萼片长度、萼片宽度和花瓣长度来预测花瓣宽度)通过修改我在网上找到的MNIST实例生成了下面的.csv文件。向下滚动看我的问题！
iris.csv
"Sepal.Length","Sepal.Width","Petal.Length","Petal.Width","Species"
0.0551224773430978,-0.380319414627833,-0.335895230408602,-0.54822
浏览 2提问于2016-07-28得票数 2
回答已采纳
我是tensorflow的新手，曾尝试实现一个简单的单层线性网络，类似于
x = tf.placeholder(tf.float32, [None, IN_SIZE], name="input")
W1 = tf.Variable(tf.zeros([IN_SIZE, OUT_SIZE]), name="Weight1")
b1 = tf.Variable(tf.zeros([OUT_SIZE]), name="bias1")
y = tf.matmul(x, W1) + b1
y_ = tf.placeholde
浏览 14提问于2017-08-25得票数 0
回答已采纳
我正面临着tensorFlow的麻烦。执行下列代码
import tensorflow as tf
import input_data
learning_rate = 0.01
training_epochs = 25
batch_size = 100
display_step = 1
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
# tensorflow graph input
X = tf.placeholder('float', [None, 784]) # mnist
浏览 6提问于2017-01-17得票数 35
我正在尝试使用tensorflow在我的图像数据上构建softmax模型，灵感来自MNIST示例。当我尝试训练模型时，我发现损失并没有减少。我还看到参数(W，b)值在第一次迭代后没有变化。我是否需要在每次迭代后显式地更新参数值？
代码：-
######### Model Graph ###################
with tf.device('/cpu:0'):
x = tf.placeholder(tf.float32,shape = [None, IMAGE_HEIGHT, IMAGE_WIDTH, 3])
y_ = tf.placeholder(tf.floa
浏览 6提问于2016-08-06得票数 0
回答已采纳
下面是 (基于MNIST)，完整的代码，它提供了大约0.92的准确性：
import numpy as np
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
x = tf.placeholder(tf.float32, [None, 784])
W = tf.Variable(tf.zeros([784, 10]))
b = tf.V
浏览 1提问于2017-06-16得票数 4
回答已采纳
我正在学习tensorflow，深入学习和实验各种激活函数。
我为MNIST问题创建了一个多层FFNN。主要是基于官方的tensorflow网站的教程，除了3个隐藏层被添加。
我实验过的激活函数是：tf.sigmoid，tf.nn.tanh，tf.nn.softsign，tf.nn.softmax，tf.nn.relu。只有tf.nn.relu不收敛，网络输出随机噪声(测试精度约为10%)。以下是我的源代码：
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = in
浏览 4提问于2017-11-11得票数 0
回答已采纳
1回答
为了调试Tensorflow模型，我需要查看渐变是否发生了变化，或者其中是否有nans。只需在Tensorflow中打印一个变量就不能工作，因为您看到的是：
<tf.Variable 'Model/embedding:0' shape=(8182, 100) dtype=float32_ref>
我试着使用tf.Print类，但无法使它工作，我想知道它是否真的可以以这种方式使用。在我的模型中，我有一个训练循环，它输出每个时代的损失值：
def run_epoch(session, model, eval_op=None, verbose=False):
c
浏览 3提问于2018-03-04得票数 6
回答已采纳
1回答
我试图通过使用TensorFlow来识别MNIST手写数字来实现一个只有一个隐藏层的NN。我用梯度下降法训练神经网络。然而，我对神经网络的训练似乎根本不起作用，因为在训练过程中，测试的准确性根本没有变化。
有人能帮我找出哪里出了问题吗？
这是我的密码。
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data", one_hot=True)
batch_size = 100
浏览 0提问于2018-06-03得票数 2
回答已采纳
1回答
我的问题是，为什么在下面的简单代码中，某些变量(例如w_3)的值不更新，而其他变量的值则被更新。
import tensorflow as tf
import numpy as np
x=([1, 2, 3])
x= np.array(x)
sess= tf.InteractiveSession()
input_data= tf.placeholder(dtype= 'float32', shape= (None))
w_1= tf.Variable(tf.truncated_normal([1], stddev= 0.01), trainable= True, name
浏览 2提问于2017-10-24得票数 1
回答已采纳
2回答
在本例中执行反向传播的位置
、、、、
我有一个学习XOR的DNN示例(右击在新选项卡中打开)：
我对这两行(与反向传播有关)感到困惑：
Grads = T.gradient(Loss,[W1,B1,W2,B2]);
Optim.apply_gradients(zip(Grads,[W1,B1,W2,B2]));
我猜想反向循环是在T.gradient，因为这些是与损失相关的梯度值，但我仍然不清楚。问题如下：
Question1.在这2 lines?Question2.中是否存在反向传播(反向循环)？如果有反向传播，它在T.gradient或T.gradient因为反向传播是向后进行的，所以[W1,B1,W2,B2]的顺序重要吗？我
浏览 4提问于2019-09-28得票数 0
回答已采纳
试图在TensorFlow中实现一个非常基本的XOR FFNN。我可能只是误解了代码，但谁能看到一个明显的原因，为什么这是行不通的--炸到了can，开始损失了0美元。如果你想把它弄乱的话，开关是在工作/不工作的。谢谢!
import math
import tensorflow as tf
import numpy as np
HIDDEN_NODES = 10
x = tf.placeholder(tf.float32, [None, 2])
W_hidden = tf.Variable(tf.truncated_normal([2, HIDDEN_NODES]))
b_hidden =
浏览 5提问于2015-12-01得票数 1
回答已采纳
1回答
没有为任何变量错误提供梯度。
、、、、
我正在使用创建一个模型。
该层体系结构如下：
n = tf.keras.layers.Dense(1)(input)
for i in tf.range(n):
output = tf.keras.layers.Dense(4)(input)
然后将输出连接起来，返回形状为1，None，4的张量，其中1是批处理维数，None是n，4是来自第二稠密层的输出。
我的损失函数包括比较预期输出的形状，以及比较输出。
loss = tf.convert_to_tensor(abs(tf.shape(logits)[1] - tf.shape(expected)[1])) * 100.
在自定
浏览 2提问于2022-09-13得票数 -2
回答已采纳
1回答
在开始使用Tensorflow实现随机深度regularization方法时，我遇到了一个问题。本文()指出，如果在训练过程中随机丢弃一些残差，则该模型收敛速度更快。目前的火炬实现工作完美。在Tensoflow中，我可以在剩余的单元分支上设置条件，这样在前进的步骤中，它的激活将被取消，但是在后退的步骤中，权重仍然会被更新。没有办法知道这些权重(在我们取消的剩余分支中)不再是可训练的，并且它们不应该包含在当前会话运行的优化中。
我已经在github上创建了，在这里我讨论了如何以天真的方式解决这个问题，当然，在幕后有一些东西会阻止应用简单的修复，否则，tf.Variable的可训练参数不允许布尔张
浏览 2提问于2017-03-29得票数 0
回答已采纳
我要了解当应用于向量元素时，tensorflow微分是如何表现的。这是我的密码
w=tf.Variable([[1.0,2.3],[4.5,6.7]],dtype=tf.float32)
x=tf.constant([[1.2],[2.3]],dtype=tf.float32)
with tf.GradientTape() as tape:
y=tf.matmul(w,x)
d=tape.gradient(y[0],w)
y是2x1张量。当区分y w.r.tw，即y的单个元素时，我得到None。d不在这里。我不能理解这种行为。y依赖于w，为什么仍然没有
浏览 1提问于2021-04-16得票数 0
回答已采纳
设x和y是长度N的向量，z是函数z= f(x，y)。在Tensorflow v1.0.0中，tf.hessians(z，x)和tf.hessians(z，y)都返回N乘N矩阵，这正是我所期望的。
但是，当我使用tf.concat将x和y连接到大小为2*N的向量p并运行tf.hessian(z，p)时，它将返回错误"ValueError: None值不受支持“。
我理解这是因为在计算图x，y ->z和x，y -> p中，p和z之间没有梯度，为了绕过这个问题，我可以先创建p，把它分割成x和y，但是我需要修改大量的代码。有没有更优雅的方法？
相关问题：
import tensor
浏览 5提问于2017-04-13得票数 0
回答已采纳
我正在学习Tensorflow 2.0，我正在尝试弄清楚Gradient Tapes是如何工作的。我有一个简单的例子，在这个例子中，我评估了logits和标签之间的交叉熵损失。我想知道为什么关于logits的梯度是零。(请看下面的代码)。TF的版本为tensorflow-gpu==2.0.0-rc0。 logits = tf.Variable([[1, 0, 0], [1, 0, 0], [1, 0, 0]], type=tf.float32)
labels = tf.constant([[1, 0, 0], [0, 1, 0], [0, 0, 1]],dtype=tf.float32)
w
浏览 12提问于2019-09-11得票数 2
我试图在Tensorflow 2.0中使用gradient_override_map。这里有一个，我也将用它作为示例。
在2.0中，GradientTape可用于计算梯度，如下所示：
import tensorflow as tf
print(tf.version.VERSION) # 2.0.0-alpha0
x = tf.Variable(5.0)
with tf.GradientTape() as tape:
s_1 = tf.square(x)
print(tape.gradient(s_1, x))
还有tf.custom_gradient装饰符，它可以用于定义新函数的梯
浏览 1提问于2019-04-19得票数 6
回答已采纳
1回答
这段tensorflow代码有什么问题？我似乎很晚才发现这个错误。它不会收敛。它在2点半停下来。
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
x = tf.placeholder(tf.float32, [None, 784])
W1 = tf.Variable(tf.zeros([784, 100]))
b1 = tf.Vari
浏览 0提问于2017-12-08得票数 0
1回答
我正在从外部源读取梯度值(即计算在其他地方完成，但我想在“主”网络中累积不同的源)，我只想在tensorflow中使用apply_gradients() op。问题是，梯度以浮动的形式被发送进来。有什么方法可以使用浮点数组来应用带有内置Optimizer函数的梯度吗？
在一个非常小的例子/测试用例中，这基本上是我想要做的。
W = tf.Variable(1.0)
b = tf.Variable(2.0)
trainable_variables = [W, b]
gradients = [0.05, 0.01] # Example gradients for W, b
# ... Som
浏览 3提问于2017-08-06得票数 0
回答已采纳
我有一个简单的代码，如下所示。当我尝试运行它时，我得到了以下错误：
ValueError: No gradients provided for any variable, check your graph for ops that do not support gradients, between variables ["<tf.Variable 'Variable:0' shape=(2,) dtype=int32_ref>"] and loss Tensor("Sum:0", shape=(), dtype=float32)
你知
浏览 0提问于2019-03-14得票数 0
我在试着写一个定制的训练循环。这是我想要做的事情的一个示例代码。我有两个训练参数，一个参数正在更新另一个参数。见下面的代码：
x1 = tf.Variable(1.0, dtype=float)
x2 = tf.Variable(1.0, dtype=float)
with tf.GradientTape() as tape:
n = x2 + 4
x1.assign(n)
x = x1 + 1
y = x**2
val = tape.gradient(y, [x1, x2])
for v in val:
print(v)
输出
浏览 16提问于2022-05-24得票数 2
回答已采纳
我试图为返回非标量的函数定义一个。
这个问题的简化玩具版本是：
import tensorflow as tf
@tf.custom_gradient
def f(x):
y = tf.Variable([x[1], 2.0*x[0]])
def grad(upstream):
dg = tf.Variable([[0.0, 2.0], [1.0, 0.0]])
return dg * upstream # ? no idea here
return y, grad
x = tf.Variable([1.0, 2.0])
with
浏览 3提问于2021-03-08得票数 3
回答已采纳
1回答
Adagrad隐式变量
、、、
以下模型：
import tensorflow as tf
import numpy as np
BATCH_SIZE = 3
VECTOR_SIZE = 1
LEARNING_RATE = 0.1
x = tf.placeholder(tf.float32, [BATCH_SIZE, VECTOR_SIZE],
name='input_placeholder')
y = tf.placeholder(tf.float32, [BATCH_SIZE, VECTOR_SIZE],
name='
浏览 3提问于2017-10-10得票数 1
当我将张量转换为float32时，我遇到了一个错误：“没有为任何变量提供梯度”。但是，如果没有强制转换，我就会得到一个错误，即期望的类型是浮点，而不是int。所以，不管是哪种方式，我似乎都想不出办法.
在我的设置中，我试图最小化两个张量差的平方误差。
softmax_w = tf.Variable(tf.zeros([SIZE_LSTM_UNITS, NUM_CLASSES], dtype=tf.float32))
softmax_b = tf.Variable(tf.zeros([NUM_CLASSES], dtype=tf.float32))
logits = tf.matmul(out,
浏览 5提问于2016-10-27得票数 3
我目前正在尝试使用tensorflow生成一些对抗性图像。我现在有一个工作代码来欺骗分类NN ( v3)，并且我试图欺骗一个检测器。我选择面具-RCNN。我成功地检索了逻辑，但我不明白为什么我有一个错误：
Tensor("softmax_cross_entropy_with_logits_9/Reshape_2:0"，ValueError:没有为任何变量提供渐变，在变量“tf.Variable 'Variable_33:0‘shape=(299,299，3) dtype=float32_ref”和“loss tf.Variable shape=(1，)，dtype=f
浏览 0提问于2018-08-22得票数 2
2回答
我尝试将GradientTape与Keras模型(简化)一起使用，如下所示：
import tensorflow as tf
tf.enable_eager_execution()
input_ = tf.keras.layers.Input(shape=(28, 28))
flat = tf.keras.layers.Flatten()(input_)
output = tf.keras.layers.Dense(10, activation='softmax')(flat)
model = tf.keras.Model(input_, output)
model.comp
浏览 3提问于2020-05-13得票数 3
回答已采纳
我正在尝试创建一个最小的代码片段来理解GradientDescentOptimizer类，以帮助我更深入地理解tensorflow API文档。
我想向GradientDescentOptimizer提供一些硬编码输入，运行minimize()方法并检查输出。到目前为止，我创建了以下内容：
loss_data = tf.Variable([2.0], dtype=tf.float32)
train_data = tf.Variable([20.0], dtype=tf.float32, name='train')
optimizer = tf.train.GradientDe
浏览 1提问于2018-05-23得票数 1
回答已采纳
这个图是如何无圈的？赋值，添加op，将x添加到自身。
import tensorflow as tf
sess = tf.Session()
x = tf.Variable(1300,name="x")
y = tf.Variable(200, name="y")
z = tf.add(x, y,name="z")
b = x.assign_add(z)
init = tf.initialize_all_variables()
writer = tf.train.SummaryWriter("/tmp/logdir", sess.
浏览 1提问于2016-06-01得票数 4
我试图用tensorflow实现一个基于窗口的分类器，
单词嵌入矩阵称为word_vec，是随机初始化的(我也尝试过Xavier )。
ind变量是矩阵中单词向量索引的一个向量。
第一层是config['window_size'] (5)字向量级联。
word_vecs = tf.Variable(tf.random_uniform([len(words), config['embed_size']], -1.0, 1.0),dtype=tf.float32)
ind = tf.placeholder(tf.int32, [None, config['
浏览 1提问于2017-01-24得票数 3
回答已采纳
1回答
我遇到一个错误，代码如下。我想检查函数floor的梯度，出现错误：
import numpy as np
import tensorflow as tf
def floor(x):
return tf.floor(x)
# code
w1 = tf.Variable([[1.5, 0.5, -0.5, -1.5]])
res = floor(w1)
grads = tf.gradients(res, [w1])
with tf.Session() as sess:
tf.global_variables_initializer().run()
print(ses
浏览 8提问于2018-01-12得票数 0
仅通过改变变量的某些元素，就能使损失函数最小化吗？换句话说，如果我有一个长度为2的变量X，如何通过更改X[0]和保持X[1]不变来最小化损失函数？
希望我尝试的这段代码能够描述我的问题：
import tensorflow as tf
import tensorflow.contrib.opt as opt
X = tf.Variable([1.0, 2.0])
X0 = tf.Variable([3.0])
Y = tf.constant([2.0, -3.0])
scatter = tf.scatter_update(X, [0], X0)
with tf.control_depe
浏览 0提问于2018-03-01得票数 11
回答已采纳
我正在寻找一个解决一个简单的文本分类问题与tensorflow。我用IMDB数据集建立了一个模型，以了解评论是正面的还是负面的。数据是通过word2vec进行处理的，所以现在我有一堆向量要分类。我想我的问题是因为y_labels的形状不好，因为它们是一维的，我想通过tensorflow对它们进行分类，有两个类的输出，或者我错了。最后的信息，模型运行良好，与1.0的准确性，也许太好了！谢谢你的帮助！
X_train called train_vecs = (25000, 300) dtype: float64
X_test called test_vecs = (25000, 300) dtyp
浏览 2提问于2016-02-03得票数 1
回答已采纳
我正面临着tensorFlow的麻烦。下面的代码没问题。
来自未来导入部门，print_function，absolute_import
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
import tensorflow.contrib.slim as slim
from tensorflow.contrib.layers.python.layers import initializers
from tensorflow.python.ops import init_ops
config
浏览 0提问于2018-12-06得票数 1
我有一个TensorFlow的CNN模型，表现很好，我们希望在硬件上实现这个模型，也就是一个FPGA。这是一个相对较小的网络，但如果它更小的话，它将是理想的。有了这个目标，我研究了内核，发现有些内核的权重相当强，而其他的内核值几乎为零。这具体发生在第2层，对应于名为“tf.Variable()”的"W_conv2“。W_conv2的形状为3，3，32，32。我希望冻结/锁定W_conv2：、：、29、13的值，并将其设置为零，以便训练网络的其他部分进行补偿。将这个内核的值设置为零，可以有效地从硬件实现中移除/修剪内核，从而实现上述目标。
我发现了类似的问题和建议，这些建议通常围绕着两种
浏览 3提问于2017-02-28得票数 9
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
实时音视频
即时通信 IM
对象存储活动推荐
腾讯云开发者
