可变批量的Tensorflow训练
是指在使用Tensorflow框架进行深度学习模型训练时，可以根据实际需求动态调整批量大小（batch size）的训练方法。通常情况下，批量大小是在训练开始前固定的，即每次迭代都使用相同大小的训练样本批量进行梯度计算和参数更新。而可变批量的Tensorflow训练则允许在训练过程中根据不同的需求动态调整批量大小。
可变批量的Tensorflow训练具有以下优势：
- 内存利用效率高：较小的批量大小意味着每个批量所占用的内存较小，可以更好地利用计算资源，尤其在GPU内存受限的情况下，可变批量训练可以提高内存利用效率。
- 收敛速度快：较大的批量大小可以加速训练过程，因为在每个批量上计算的梯度更加准确和稳定。但是当模型接近收敛时，使用较小的批量大小可以提高模型的泛化能力和收敛速度。
- 更好的模型泛化能力：使用可变批量训练可以让模型在不同大小的批量上进行训练，从而提高模型对不同批量大小下样本的泛化能力。
可变批量的Tensorflow训练在以下应用场景中特别有用：
- 数据集不平衡：当训练数据集中的类别分布不均匀时，使用可变批量训练可以提高模型对少数类别的学习能力，同时避免在样本少的类别上过拟合。
- 资源受限环境下的模型训练：当计算资源有限（如内存、显存等）时，通过使用可变批量训练可以更好地利用有限的资源，并实现高效的模型训练。
- 在线学习场景：对于在线学习任务，数据是逐渐到达的，使用可变批量训练可以动态调整批量大小，以适应不断到达的数据，并实现实时的模型更新。
腾讯云推荐的相关产品和产品介绍链接如下：
- 腾讯云AI平台（https://cloud.tencent.com/product/tcaplusdb）：腾讯云提供的人工智能平台，包括TensorFlow等深度学习框架，可用于可变批量的Tensorflow训练。
- 腾讯云GPU云服务器（https://cloud.tencent.com/product/cvm）：腾讯云提供的GPU云服务器实例，可以在高性能GPU环境下进行可变批量的Tensorflow训练。
以上是对可变批量的Tensorflow训练的完善且全面的答案。
相关·内容
我使用tensorflow在我的数据集上训练一个简单的两层RNN。训练曲线如下所示：
其中，x-axis是步长(在一个步骤中，使用batch_size数量的样本来更新网络参数)，y-axis是精度。红、绿、蓝三条线分别表示训练集、验证集和测试集的准确率。似乎训练曲线并不平滑，并且有一些损坏的变化。这是否合理呢？
浏览 5提问于2016-10-02得票数 1
我训练了一个对象检测API模型(使用动物园的COCO / Inception v2的Mask RCNN )，具有相同的配置，TensorFlow和模型版本，以及相同数量的步骤的相同(自定义)数据集。
在本地机器(1080TI上的tensorflow-gpu)上，我使用了object_object/Train.py，而在云上，我使用了调用object_detection.train模块的google ml-engine作业。两者使用相同的学习率。
云运行使用了5个工作进程，而本地运行只有1个GPU。它们都被设置为批处理大小为1。
为什么本地训练的模型的准确性要低得多？本地训练的模型往往比云训练的
浏览 28提问于2018-08-23得票数 0
回答已采纳
1回答
给定一个基本位图s和一组可能的吸尘器位图( s1，.，sN )，我如何训练一个TensorFlow图来计算这些吸尘器上的概率分布？
每个位图sK都可以由同一网络作为一个单一输入处理，给出一个表示它的可能性的实值，然后通过一个softmax层进行映射，给出一个概率分布。
但是，手工执行此操作将不允许使用反向传播和实现优化器，甚至不能保证它将接受变量长度输入和输出。
这有可能吗？输入和输出张量似乎必须在批处理维度上有一个固定的大小。
浏览 3提问于2016-08-21得票数 0
为什么Tensorflow中Keras API的函数接受batch_size？据我所知，这个参数应该只与管理我们在训练期间每次迭代使用的样本数有关。在模型评估过程中，这种选择有什么影响？
浏览 1提问于2020-05-21得票数 1
1回答
我正在使用tensorflow构建基于CNN的文本分类。有些数据集很大，有些数据集很小。
我使用feed_dict通过从系统内存(而不是GPU内存)中采样数据来为网络提供数据。网络是一批一批地训练的。对于每个数据集，批处理大小是固定的1024。
我的问题是:网络是批量训练的，每批代码都从系统内存中检索数据。因此，无论数据集有多大，代码都应该以相同的方式处理它，对吗？
但是对于大型数据集，我遇到了内存不足的问题，而对于小型数据集，它工作得很好。我非常确定系统内存足以容纳所有数据。所以OOM问题是关于tensorflow的，对吧？
是我写错了代码，还是tensorflow的内存管理问题？
非常感谢
浏览 1提问于2016-06-10得票数 2
1回答
谢谢你对这件事的关注。我有个问题要问你。
当我们用tensorflow计算损失函数时，
损失值是基于批次大小数据还是整个数据集？
是否为不同的数据分配可训练的权重？
非常感谢!
浏览 1提问于2017-12-04得票数 1
我想用keras的预训练模型进行迁移学习
import tensorflow as tf
from tensorflow import keras
base_model = keras.applications.MobileNetV2(input_shape=(96, 96, 3), include_top=False, pooling='avg')
x = base_model.outputs[0]
outputs = layers.Dense(10, activation=tf.nn.softmax)(x)
model = keras.Model(inputs=base
浏览 0提问于2019-07-30得票数 1
2回答
我是tensorflow的新手。我已经训练并验证了一个CNN，通过Saver对象将会话保存到一个CPKT文件中，并将其加载回来。现在我想使用经过训练的模型来检查它在我自己拍摄的一张照片上的表现。我想不出该怎么做。
浏览 0提问于2017-02-12得票数 1
1回答
我正在学习TensorFlow (以及一般的深度学习)。我想知道什么时候我们需要将输入的训练数据分成几批？我们如何确定批量大小？有没有经验法则？谢谢!
浏览 12提问于2017-01-16得票数 0
我正在尝试新发布的tensorflow对象检测API。我在教程中使用了样本训练程序，即在pet数据集上微调FRCNN-Resnet模型。仅使用一个GPU时，当我将batch size更改为大于1的值(默认值为1)时，总是显示错误消息。错误消息如下所示：
InvalidArgumentError (参见上面的回溯)：ConcatOp :输入的尺寸应该匹配: shape = 1,750,600,3与shape1 = 1,600,804,3
浏览 0提问于2017-11-06得票数 1
我正在编写训练相对较大的RNN (128单元LSTM和一些附加层)的代码。主要的进程是在CPU上最大限度地使用内核，我想知道这是否正常，或者我是否可以优化它。在训练循环(session.run调用)中，它使用大约60-70%的GPU负载，而在一个内核上使用100%的CPU负载。请注意，数据采样工作已经在其他内核上并行完成，因此这只是模型参数的更新。这对于TensorFlow中的这类应用程序来说是正常的吗?或者当使用图形处理器的全部容量时，CPU负载应该低得多？
浏览 20提问于2017-03-17得票数 1
尝试通过tensorflow和FTRL优化器针对ctr任务在大规模数据集上训练LR模型。但是产品的性能并不好。有什么建议吗？
浏览 0提问于2018-06-29得票数 1
我试着提高我的模型的训练速度。我做了一些预处理和增强(它运行在CPU)，使我的训练缓慢。因此，我尝试在keras Sequence中实现数据的加载和预处理。为此，我跟踪了和这个。到目前为止，这使得我的训练速度慢了很多，我很肯定我在某个地方犯了错误。因为使用4 workers和use_multiprocessing=True运行我的培训脚本，所以我得到了以下日志：
Epoch 8/10
Using TensorFlow backend.
Using TensorFlow backend.
Using TensorFlow backend.
Using TensorFlow backend.
Us
浏览 0提问于2019-08-06得票数 0
回答已采纳
我想使用mscoco dataset用faster_rcnn_with resnet101训练googles对象检测。我只使用了10,000张图片进行训练，我使用的是图形: GeForce 930M/PCIe/SSE2。NVIDIA驱动程序版本:384.90。这是我的GeForce的照片。
我有8 Gb内存，但在tensorflow gpu中显示为1.96 Gb。
。现在，我如何扩展我的PGU的RAM。我想使用完整的系统内存。
浏览 4提问于2017-11-12得票数 2
我正在尝试使用Keras/Tensorflow来训练卷积神经网络。我的模型编译正确，但一旦训练开始，就会返回以下错误：
Using TensorFlow backend.
Epoch 1/3
Traceback (most recent call last):
File "./main.py", line 17, in <module>
history = CNN.fit(TrainImages, TrainMasks, epochs = 3)
File "/home/tomhalmos/.local/lib/python3.6/sit
浏览 71提问于2020-02-26得票数 2
回答已采纳
我是CNN和机器学习的新手，我一直在努力学习TensorFlow的图像分类教程。
现在，Google可以找到了。我一直在跟踪 of TensorFlow。我稍微修改了一下，所以它将模型保存为h5格式而不是tf格式，这样我就可以使用Keras‘model.predict_classes了。
现在，我已经训练了模型，模型从保存的模型重新加载，好的。但是，每当我试图预测图像时，我就反复得到list index out of range错误，我就是这样做的：
def predict():
image = tf.io.read_file('target.jpeg')
image
浏览 1提问于2019-07-25得票数 2
回答已采纳
我是Python的新手，也是TensorFlow的新手。我已经遵循了几个教程，并且我被这个colab和这个video卡住了。训练运行得很完美，我有一个保存的模型。现在我想加载这个模型，并将我自己的一个图像提供给它。这是我的尝试： import tensorflow as tf
import cv2
from tensorflow import keras
model = tf.keras.models.load_model('rps.h5')
model.summary()
img = cv2.imread('my_hand_paper.png')
prin
浏览 14提问于2020-07-08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
我使用的是NVIDIA GPU上的TensorFlow 1.9，内存为3 GB。我的小批量的大小是100MB。因此，我可能会同时在我的GPU上安装多个迷你批次。所以我的问题是，这是否可能，这是否是标准做法。
例如，当我训练我的TensorFlow模型时，我在每个时期运行类似这样的东西：
loss_sum = 0
for batch_num in range(num_batches):
batch_inputs = get_batch_inputs()
batch_labels = get_batch_labels()
batch_loss, _ = sess.run([
浏览 22提问于2018-08-06得票数 4
回答已采纳
1回答
我刚刚开始尝试深度学习和计算机视觉技术。我偶然发现了这个很棒的。我已经使用docker设置了TensorFlow环境，并训练了我自己的对象集，当我测试它时，它提供了更高的准确性。
现在我想让同样的东西更实时。例如，我不想给出一个物体的图像作为输入，而是想利用一个网络摄像头，并在TensorFlow的帮助下让它识别这个物体。你们能指导我从哪里开始这项工作吗？
浏览 1提问于2016-11-13得票数 0
我用tf.keras训练了一个图像分类器，并在训练完成后导出模型，以便在云中服务并进行在线预测。
我使用以下方法在本地主机上服务我的模型：
tensorflow_model_server --model_base $PATH_TO_SAVEDMODEL --rest_api_port=9000 --model_name=saved_model
我能够做出预测并得到结果。当我试图在云中部署模型时，我得到了标题中的错误。
问题是，我想用预测结果映射类名，并且我能够通过执行以下操作来实现这一点：
# after i got the label names i convert the variable
浏览 0提问于2019-03-19得票数 0
我正在用keras训练一个模型。model.fit()正在工作，模型也经过了训练，但是当我运行model.predict时，google colab会话崩溃。日志如下：
Nov 15, 2020, 3:04:50 AM WARNING WARNING:root:kernel b48211a4-a3e6-44f4-8082-89f69da39d21 restarted
Nov 15, 2020, 3:04:50 AM INFO KernelRestarter: restarting kernel (1/5), keep random ports
Nov 15, 2020, 3:04:4
浏览 5提问于2020-11-15得票数 0
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
2回答
组合两个数据生成器来训练CNN
、、、、
我正在尝试使用我分成两部分的数据集来训练模型，对于每个部分，我使用keras和tensorflow创建不同的ImageDataGenerator。
我的问题是，如何结合来自两个生成器的数据来训练模型。我不想分别使用每一个。
面向所有人的tnx
浏览 1提问于2020-03-21得票数 0
我想使用Tensorflow 2.5在训练和推理时启用dropout。为此，我在模型中设置了dropout层，参数training = True。 layer = tf.keras.layers.Dropout(0.2, training = True) 然后我训练了我的模型，并使用以下代码进行了预测： prediction = model(X_test, training = False) 我故意将BatchNormalization = False放在模型预测函数(模型调用函数)中，因为我也在使用training层，并且我不希望在推理过程中启用它们(与dropout层不同)。但是，我不知
浏览 119提问于2021-08-24得票数 0
2回答
我是深度学习的新手，我正在使用Tensorflow训练cnn进行图像识别。训练图像都是128像素* 128像素*3通道。在我的网络中，有3个卷积层，3个最大池层和1个完全连接层。我有超过18万张带标签的图像，所以我决定每批训练4000张图像。然而，训练过程甚至不能在我的笔记本电脑上运行，因为内存不足，所以我尝试使用64 it内存和2* E5 CPU的服务器来训练它。这一次，它可以工作，但需要超过40 it的内存。我很困惑，我用来训练的图像不是高分辨率的图像(只有128*128)。但是为什么仍然需要花费太多的内存(可能是批大小太大了……)。这是正常的吗？如果这是正常的，人们怎么能使用图形处理器来
浏览 1提问于2017-09-11得票数 0
1回答
我在Keras中设置stateful=True LSTM层的输入时遇到了问题。这就是我到目前为止所知道的：
clear_session()
model = Sequential()
model.add(LSTM(hidden_units, batch_input_shape=(1,1,1), return_sequences=False, stateful=True))
model.add(Dense(1, activation=None))
X = np.random.rand(100, 1, 1)
Y = np.random.rand(1
浏览 5提问于2021-01-14得票数 0
有没有人尝试过在TensorFlow中使用稀疏张量进行文本分析？一切都准备好了，我设法向tf.Session中的feed_dict提供了一个带有numpy数组的Softmax层，但我无法向字典提供SparseTensorValues。
我还没有找到关于使用稀疏矩阵来训练带有张量流的模型(例如softmax )的文档，这很奇怪，因为类SparseTensor和SparseTensorValues或TensorFlow.sparse_to_dense方法已经准备好了，但是没有关于如何在session.run(fetches,feed_dict=None)方法中提供feed_dict值字典的文档。
浏览 0提问于2015-11-25得票数 5
我有一个经过训练的Tensorflow模型，我想用REST API提供预测方法。我能想到的是使用Flask构建一个简单的REST API，该API接收JSON作为输入，然后调用Tensorflow中的predict方法，然后将预测结果返回给客户端。
我想知道这样做有什么顾虑吗，特别是在生产环境中？
非常感谢！
浏览 1提问于2016-04-08得票数 10
1回答
图像规范化的正确方法是哪一种？
、、、、
在为神经网络训练准备训练集时，我发现了两种可能的方法。
传统的方法是:在整组训练集上计算平均值，在发送到网络前减去这个固定的均值。以类似的方式处理标准差。
我发现tensorflow提供了一个函数tf.image.per_image_standardization，在单图像上进行规范化。
我想知道哪种方式更合适？
浏览 1提问于2017-12-18得票数 1
回答已采纳
系统信息 * **Linux Ubuntu 16.04**:
* **TensorFlow installed from source**:
* **TensorFlow version 1.12.0**:
* **CUDA/cuDNN version : 410.86**:
* **GPU model : 1080Ti**: 描述问题 我正在使用TensorFlow对象检测API训练对象检测算法。 配置文件：https://github.com/tensorflow/models/blob/master/research/object_detection/samples/confi
浏览 35提问于2019-02-27得票数 0
假设我们有价值500 000项的训练数据，我们是一次训练一个项目，还是一次训练“n”项，还是一次全部训练？
认为inputTrainingData和outputTrainingData是[[]]，train_step是任何通用的tensorflow训练步骤。
选项1一次只训练一个项目-
for i in range(len(inputTrainingData)):
train_step.run(feed_dict={x: [inputTrainingData[i]], y: [outputTrainingData[i]], keep_prob: .60}, session= sess)
浏览 4提问于2017-03-03得票数 1
回答已采纳
1回答
我正在运行tensorflow.On终端的代码，它为我提供了训练和测试精度以及步长的值。有没有人可以解释这些术语，或者提供任何我能读懂的资料，以便理解这些术语和卷积神经网络的随机梯度下降法
浏览 1提问于2017-03-22得票数 0
我正在使用tensorflow在测试图像上测试我训练过的模型。我将图像提供给tensorflow，如下所示：
image_ab, image_aba = sess.run(fetches, feed_dict={self.image_a: image_a,
self.is_train: False})
我打印了image_a和image_ab，并观察到image_a的顺序与我给出的输入图像的顺序不同。
出于某些原因，我还希望输出图像的顺序与输入图像相同。
tensorflow通常以与给定输入相同的顺序
浏览 1提问于2018-10-26得票数 0
我在tensorflow (tf.keras.layers.Dropout)中实现的模型上使用了dropout层。我在训练时设置了"training= True“，在测试时设置了"training=False”。性能很差。我在测试过程中也不小心更改了"training=True“，结果变得更好了。我想知道发生了什么事？为什么它会影响训练损失值？因为我不会对训练进行任何更改，整个测试过程都是在训练之后进行的。然而，在测试中更改"training=True“会影响训练过程，导致训练损失更接近于零，从而获得更好的测试结果。有什么可能的解释吗？
谢谢,
浏览 1提问于2019-11-15得票数 2
MNIST集由用于训练集的60,000幅图像组成。在训练我的Tensorflow的时候，我想运行训练步骤来训练整个训练集的模型。Tensorflow网站上的深度学习示例使用了20,000次迭代，批处理大小为50次(共计1,000,000批)。当我尝试超过30,000次迭代时，我的数字预测失败(对所有手写数字预测为0)。我的问题是，如果批量大小为50，我应该使用多少次迭代来训练整个MNIST集的tensorflow模型？
self.mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
for i in rang
浏览 8提问于2016-08-11得票数 5
回答已采纳
1回答
使用Keras进行实时训练和预测
、、、、
我想使用Keras进行实时训练和预测设置。在我的场景中，我通过MQTT获得实时数据，这些数据应该用于训练(LSTM)神经网络和/或将它们应用于以获得预测。
我使用的是Tensorflow后端，具有GPU支持和相当强大的GPU容量，但在我的方案中，Keras并没有真正从GPU加速中获益。(我使用keras存储库中的示例进行了一些性能测试，以确保GPU加速总体上可以正常工作)。在我的第一种方法中，我使用model.train_on_batch(...)方法来训练网络，每个项目都来自MQTT：
model = load_model()
def on_message(msg):
"&
浏览 1提问于2016-11-17得票数 5
我正在用TensorFlow做一个神经网络。我现在想导入我自己的图像作为数据集，以便在这些图像上训练神经网络。
为此，我首先获得一个文件名及其对应标签的列表。我使用以下代码来完成此操作：
locations = {"chimpanzee":["G:\Profielwerkstuk\chimpanzee"],
"gorilla":["G:\Profielwerkstuk\gorilla"],
"howler monkey":["G:\Profielwerkstuk\
浏览 1提问于2018-01-20得票数 1
我使用了一种非常天真的方法，在keras中基于预先训练好的模型进行预测。但之后它会变得更慢。有人知道为什么吗？我对tensorflow非常陌生。 count = 0
first = True
for nm in image_names:
img = image.load_img(TEST_PATH + nm, target_size=(299, 299))
img = image.img_to_array(img)
image_batch = np.expand_dims(img, axis=0)
processed_image = inception_v
浏览 32提问于2019-04-23得票数 0
自述文件提供了以下评论：
/*
The weights for this particular network were batch normalized but for inference we may use :
w = gamma / √(s + 0.001), b = ß - ( A * m )
s: variance
m: mean
gamma : gamma
ß: beta
w: weights of a feature channel
b: bias of a feature channel
for every feature channel sep
浏览 3提问于2016-09-27得票数 2
1回答
我用4个VGG16 (不包括顶部)构建一个模型，然后将4个VGG16的4个输出连接起来形成一个密集层，紧接着是softmax层，所以我的模型有4个输入(4个图像)和1个输出(4个类)。
我首先通过训练密集层并冻结VGG16中的层来进行迁移学习，这很好用。
但是，在通过设置layer.trainable = True解冻VGG16层之后，我得到了以下错误：
tensorflow/core/platform/cpu_feature_guard.cc:137] Your CPU supports instructions that this TensorFlow binary was not com
浏览 2提问于2018-02-21得票数 1
2回答
Keras不兼容的数据形状
、、、、
我正在尝试用CamVid数据训练SegNet模型。我从https://github.com/ykamikawa/tf-keras-SegNet拿到了源代码。然而，我得到了以下错误： ValueError: Input 0 of layer conv2d_152 is incompatible with the layer: expected ndim=4, found ndim=3. Full shape received: [360, 480, 3] 训练数据形状为(233,360,480，3)。我读了一些解决方案，他们说我需要向模型提供(无，360,480，3)形状数据。如何将我的数据重
浏览 18提问于2020-06-18得票数 0
回答已采纳
我刚刚用Tensorflow/Keras训练了一个CNN，并将其保存为模型。我多次尝试通过它运行大约1000个输入，每次得到的预测精度略有不同。准确性很好，我不关心性能；然而，我认为CNN模型一旦训练，就应该是确定性的。也就是说，任何输入都将始终以相同的方式分类。难道不是这样吗？模型一旦训练就可以预测的方式是否存在可变性？如果没有，希望我可以假设我已经在无意中将一些可变性编程到我的代码中。任何帮助都将不胜感激。
浏览 0提问于2019-08-11得票数 3
我是TensorFlow的新手，在读取数据的机制上有点被绊倒了。我在mnist数据上建立了一个TensorFlow图，但我想修改它，这样我就可以运行一个程序来训练它+保存模型，然后运行另一个程序来加载该图，进行预测，并计算测试精度。
我感到困惑的是，如何在训练图中绕过原始的I/O系统，并“注入”一个用于预测的图像或一个用于准确性测试的(图像，标签)测试数据元组。为了读取训练数据，我使用以下代码：
_, input_data = util.read_examples(
paths_to_files,
batch_size,
shuffle=shuffle,
num
浏览 0提问于2016-10-19得票数 2
1回答
我想用句子X的不同输入大小训练一个RNN，不需要填充。用于此的逻辑是，我使用全局变量，并且对于每一步，我采取一个示例，编写正向传播，即构建图，运行优化器，然后用另一个示例再次重复该步骤。numpy实现需要几秒钟，而Tensorflow则非常慢。在GPU上运行同样的东西是否有用，或者我正在做一些逻辑上的错误？
浏览 0提问于2018-04-17得票数 0
我正试图预测给病人服用的药物。对于每一种药物，我都有一列预测(通过softmax)，表示病人得到这种药物的可能性。
但很明显，人们可以一次得到几种药物，所以我有另一个模型，试图预测不同药物的数量。
我想在一个TensorFlow调用中对它们进行评估(我目前有一堆缓慢的NumPy攻击)，但是我不能向tensorflow.nn.top_k传递一个k的数组(每个病人一个，即行)，只有一个固定的整数--因为不同的病人将得到不同的药物数量，这是行不通的。
最终，我试图在实际处方的药物指标和预测的指标之间进行tensorflow.list_diff。然后也许是它的tensorflow.size。
tens
浏览 1提问于2015-12-13得票数 1
我正在使用tensorflow 2.0来训练一个模型。我正在决定是否应该在矩阵的行或列的批处理中放置多个示例。显然，这也会影响我设计模型的方式。对于哪一个更好，有什么实际的建议吗？
浏览 2提问于2020-01-06得票数 0
回答已采纳
我已经制作了一个卷积神经网络来存储数据。现在，我想要更改图像的输入。我该怎么做呢？需要将图片保存为特定的格式吗?另外，如何保存所有图片并逐个训练?我在tensorflow中使用了python。
浏览 2提问于2018-03-19得票数 0
我试图用矩阵乘法的tensorflow做一个简单的操作，但是我必须使用它的列的可变大小的矩阵(如下面的例子所示)
import tensorflow as tf
input1 = tf.placeholder("float", [None,None])
input2 = tf.placeholder(tf.float32)
output = tf.mul(input1, input2)
with tf.Session() as sess:
print(sess.run([output], feed_dict={input1:[[1,2],[
浏览 1提问于2016-06-02得票数 1
回答已采纳
现在我在tensorflow中遇到了一个问题:我有一个由6个卷积层组成的网络(每个卷积层都具有批量归一化，最后一个卷积之后是一个平均池，以使输出形状Nx1x1xC)，旨在将一张图像分类为一个类别。训练期间一切正常：-训练样本约为150000 -训练期间验证样本约为12000
我已经训练了总共50000次迭代，小批量大小为6。-在训练过程中，训练损失总是越来越低(从开始的约2.6%到迭代50000的约0.3%)-在大约40000次迭代之后，验证精度变得更高并达到饱和(从开始的60%到迭代50000的72% )
但是当我在相同的验证样本上使用迭代50000的学习权重进行测试时，总体准确率只有40%
浏览 0提问于2018-07-16得票数 0
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
实时音视频
即时通信 IM活动推荐
腾讯云开发者
