在tensorflow2.0中，如果我使用tf.keras.models.Model。我可以通过模型训练批次的数量来评估和保存模型吗？
在tensorflow2.0中，使用tf.keras.models.Model进行模型训练时，可以通过设置批次的数量来评估和保存模型。
评估模型： 在训练过程中，可以使用模型的evaluate方法来评估模型在验证集或测试集上的性能。该方法接受输入数据和标签，并返回模型在给定数据上的损失值和指标值。可以通过设置batch_size参数来指定每个批次的大小，从而控制评估时的批次数量。
保存模型： 在训练过程中，可以使用模型的save方法将模型保存到磁盘上，以便后续使用。保存的模型包括模型的架构、权重和优化器的状态。可以通过设置batch_size参数来指定每个批次的大小，从而控制保存时的批次数量。
示例代码如下：
import tensorflow as tf
# 构建模型
model = tf.keras.models.Model(...)
model.compile(...)
# 训练模型
model.fit(x_train, y_train, batch_size=32, epochs=10, validation_data=(x_val, y_val))
# 评估模型
loss, metrics = model.evaluate(x_test, y_test, batch_size=32)
# 保存模型
model.save('model.h5', batch_size=32)在上述示例中，通过设置batch_size参数为32，每次训练和评估时都会使用32个样本作为一个批次。可以根据实际情况调整batch_size的大小，以平衡训练速度和内存消耗。
腾讯云相关产品和产品介绍链接地址：
- 腾讯云机器学习平台（ModelArts）：https://cloud.tencent.com/product/ma
- 腾讯云深度学习平台（DLF）：https://cloud.tencent.com/product/dlf
- 腾讯云GPU服务器：https://cloud.tencent.com/product/cvm/gpu
- 腾讯云AI推理：https://cloud.tencent.com/product/tci
- 腾讯云数据处理服务：https://cloud.tencent.com/product/dps
- 腾讯云对象存储（COS）：https://cloud.tencent.com/product/cos
- 腾讯云区块链服务（TBC）：https://cloud.tencent.com/product/tbc
- 腾讯云元宇宙服务：https://cloud.tencent.com/product/mu
相关·内容
我开始学习Tensorflow2.0 2.0，我困惑的一个主要原因是什么时候应该使用类似keras的model.compile和tf.GradientTape来训练模型。
在用于MNIST分类的Tensorflow2.0 2.0教程中，他们训练了两个类似的模型。和。
抱歉，如果这是微不足道的，但您什么时候使用一个而另一个呢？
浏览 1提问于2019-05-09得票数 4
回答已采纳
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
我正在通过huggingface使用transformers库。 他们在Tensorflow 2.0中为许多架构提供了预先训练的模型。我想在TPU上使用这些模型进行预测。由于TensorFlow2.0的TPU API仍处于实验阶段，因此我想在TensorFlow1.x中实现它 有没有办法将预先训练好的模型从TensorFlow2.0转换到TensorFlow1.x，反之亦然？ TensorFlow2.0的TPUE API描述如下：https://www.tensorflow.org/guide/distributed_training#tpustrategy，目前仍处于实验阶段，尚未共享合适
浏览 31提问于2019-10-01得票数 0
回答已采纳
我完成了模型的训练处理。在训练期间，我使用ModelCheckpint通过以下方式保存最佳模型的权重：
checkpoint = ModelCheckpoint(filepath, monitor='val_acc', verbose=1,
save_best_only=True, mode='max')
训练结束后，我将模型权重加载到模型中进行评估，但我发现该模型在训练过程中没有提供最佳的准确性。我重新加载模型，如下所示：
model.load_weights(filepath) #load saved we
浏览 0提问于2016-11-23得票数 5
2回答
我正在使用Pytorch运行一些深度学习模型。我目前正在跟踪每个时期的训练和验证损失，这是非常标准的。然而，跟踪每个批次/迭代的训练和验证损失的最佳方法是什么？
对于训练损失，我可以在每个训练循环后保留一个损失列表。但是，验证损失是在整个时期之后计算的，所以我不确定如何计算每批的验证损失。我能想到的唯一一件事就是在每个训练批次之后运行整个验证步骤，并跟踪这些步骤，但这似乎有点夸张，而且计算量很大。
例如，训练是这样的：
对于范围(2)中的纪元：#对数据集进行多次循环
running_loss = 0.0
for i, data in enumerate(trainloader, 0):
浏览 3提问于2021-01-09得票数 0
1回答
我正在使用AdamW优化器来训练模型(TensorFlow2.0)。我需要在训练期间记录它在某些步骤的状态，以便能够重新加载优化器的状态，并在以后从那里恢复训练。为了完全重建优化器的状态，除了初始配置(optimizer.get_config()的输出)及其权重(optimizer.get_weights()的输出)之外，我还需要记录其他内容吗？
浏览 0提问于2021-02-03得票数 1
1回答
我正在使用LSTM+attention层来完成句子分类任务。我观察到，在简单的LSTM模型中，我的总可训练参数是14705，批处理大小为64，但当我将注意力层与LSTM一起使用时，对于相同的批处理大小，可训练参数减少到230。而对于批量为4的情况，则增加到3077。此外，由于在关注层中批处理大小为64，因此仅在历元中增加1。 这怎么可能呢？ 这是批大小为64的关注层的屏幕截图 ? 这是批处理大小为64的LSTM层的屏幕截图。 ?
浏览 10提问于2020-07-18得票数 0
2回答
我的问题与构建推荐系统有关。我正在使用tensorflow使用user_features、item_features和交互来训练模型。
如何处理新数据？
例如，每当用户点击一个项目时，我希望立即记录该交互，并从该交互中学习(针对该交互训练模型)。我该怎么做呢？
当前实现
现在，我遵循的是先训练模型，然后进行预测的传统方法。为了处理新的交互，我必须重新初始化图形，并使用所有数据重新训练以使其工作。
我希望对此有一些解决方案。
谢谢
浏览 1提问于2018-09-03得票数 4
1回答
我用100000个样本在Keras中训练了一个通用模型，并取得了良好的性能。然后，对于特定样本，我希望使用训练的权重作为初始化，并继续优化权重，以进一步优化特定样本的损失。
然而，出现了这个问题。首先，我通过keras轻松地加载训练过的权重，然后对一个特定样本的损失进行评估，该损失与模型训练过程中验证损失的损失非常接近。我认为这是正常的。然而，当我使用训练后的权重作为输入，并进一步优化model.fit()对一个样本的权重时，损失是非常奇怪的。比评价结果高得多，经过几个时期后逐渐恢复正常。
我认为奇怪的是，对于同一个简单的和加载相同的模型权重，为什么model.fit()和model.eval
浏览 0提问于2018-12-23得票数 0
我是坦索弗洛的新手。我已经为mnist图像分类构建了一个凸集，如下所示:我使用队列从磁盘批处理中读取图像(Png)，并将其传递给训练操作(我现在对此相当满意)--在训练过程中，我在一定数量的步骤上评估我的精度操作。
我用Saver对象保存模型，可以看到磁盘上正在写入元和检查点文件。
现在真正的挑战是在训练完成后恢复模型，并将其用于新图像的预测。
图中的第一步(训练)如下所示: x_image (来自列车队列的图像) h_conv1 = tf.nn.relu(conv2d(x_image，W_conv1) + b_conv1)
由于我没有使用提要字典方法，我不能仅仅恢复准确性op使用保护程序和传
浏览 4提问于2017-06-12得票数 1
在TensorFlow2.0/ Keras中，如何在(扁平化的) conv2d层之后添加LSTM层？我的训练输入数据具有以下形状(大小、sequence_length、高度、宽度、通道)。对于卷积层，我一次只能处理一幅图像，对于LSTM层，我需要一系列特征。有没有一种方法可以在LSTM层之前重塑数据，这样您就可以将两者结合起来？
浏览 22提问于2019-09-19得票数 5
我正在训练一个语义切分模型。我使用的批处理大小为10个图像上的一个单一的GPU培训。我同时使用相同的超参数在多GPU (3 GPU)设置上进行训练.对于多GPU，我使用的批处理大小为30张图像，即每GPU 10张图像.
从理论上讲，在训练过程中，每个阶段的每一步损失值是否应该是单个GPU和多GPU训练过程中相同的值范围？
就我而言，这不是我目前在训练中所看到的情况。多GPU的损失是我从单GPU获得的损失的5倍。
欢迎任何意见/建议。
浏览 2提问于2019-01-31得票数 0
回答已采纳
我有一些预先训练好的word2vec模型，我想用相同的语料库对它们进行评估。在给定模型转储文件和内存中的语料库的情况下，有没有办法获得原始的训练损失？
浏览 0提问于2019-03-30得票数 0
2回答
我想从一个不平衡的数据集中训练一个tensorflow DNNClassifier模型。每个样本都有一个“质量”值，代表样本的相对相关性。我假设我可以使用权重来表示这种相关性。我读到权重特征与损失相乘。在这种情况下，“好的”样本可能具有较低的权重。准确吗？
浏览 0提问于2019-11-02得票数 0
当我使用lightgbm训练分类模型时，我通常使用验证集和提前停止来确定迭代次数。
现在我想组合训练和验证集来训练模型(这样我就有更多的训练示例)，并使用该模型来预测测试数据，我应该更改从验证过程派生的迭代次数吗？
谢谢!
浏览 0提问于2020-01-09得票数 0
我想详述一下什么时候重置状态的问题。
假设我训练了这样一个有状态的模型：
for i in range(epochs):
model.fit(X_train, y_train, epochs=1, batch_size=1, shuffle=False)
model.reset_states()
我的训练和测试集来自一个时间序列数据集，测试集紧接在训练集之后。
接下来，我想对测试集进行评估，并得到一个预测数组。
score = model.evaluate(X_test, y_test, batch_size=1, verbose=True)
prediction = mo
浏览 3提问于2017-10-02得票数 1
回答已采纳
我正在使用fit_generator来训练模型。正在从生成器函数中读取训练数据集，该函数提供恒定批处理大小的数据。现在我想知道，对于验证数据，我应该采用什么样的方法。我是否应该为验证集制作一个生成器，或者将其完全加载到内存中并在fit_generator中使用？
注意:验证数据集很容易进入内存，因此批处理对我来说是一种选择。
浏览 0提问于2019-03-17得票数 3
1回答
如何处理多个数据集的批量归一化？
、、、、
我正在处理一项生成合成数据的任务，以帮助训练我的模型。这意味着训练是在合成+真实数据上执行的，并在真实数据上进行测试。
有人告诉我，批量归一化层在训练时可能会试图找到对所有人都有利的权重，这是一个问题，因为我的合成数据的分布与实际数据的分布并不完全相等。因此，我们的想法是让批归一化层的权重有不同的“副本”。因此，神经网络为合成数据和真实数据估计不同的权重，并仅使用真实数据的权重进行评估。
有人能建议我在pytorch中实现它的好方法吗？我的想法如下，在数据集中的每个训练阶段之后，我将遍历所有batchnorm层并保存它们的权重。然后，在下一个时期的开始，我将再次迭代加载正确的权重。这是一种好的
浏览 2提问于2021-08-27得票数 1
我已经成功地使用fashion_mnist数据集在TensorFlow2.0中训练了一个模型，我想知道如何才能知道它是否在gpu加速的帮助下训练过？
浏览 55提问于2019-06-04得票数 1
我使用对象检测API来训练faster_rcnn_nas模型。
但是我得到了“内存不足”错误，但是当我添加
second_stage_batch_size: 4
上面的代码解决了我的问题，我现在正在训练。但我不知道这句话的意思是什么？
是上述行的定义。
但我不太明白。有人能帮我解释吗？
浏览 0提问于2019-04-08得票数 3
我经常读到，在深度学习模式的情况下，通常的做法是在几个训练阶段应用小型批次(通常是小批次，32/64)。我真搞不懂这背后的原因。
除非我弄错了，批处理的大小是模型在训练迭代过程中看到的训练实例的数量；当每个训练实例都被模型看到时，each是一个完整的循环。如果是这样的话，我看不到多次迭代训练实例的几乎不重要的子集的优点，而不是通过每次将所有可用的训练实例公开到模型(当然，假设足够的内存)来应用"max批处理“。这种方法的优点是什么？
浏览 0提问于2017-02-07得票数 67
回答已采纳
我想以最高的精度保存模型，我需要在每一步的验证数据中进行一批验证，在每一步训练之后，训练数据集会因为时代而被重用，但是如果 train_batch_size 等于 validation_batch_size，那么验证数据集也会被重用吗？因为验证数据集远小于训练数据集。我怎么发动汽车呢？我的意思是在没有任何问题的情况下重用验证集？或者我分别设置了不同的尺寸。
MAX_EPOCH = 10
for epoch in range(MAX_EPOCH):
# training
train_step = int(80000 / TRAIN_BATCH_SIZE)
train_lo
浏览 0提问于2017-08-29得票数 0
回答已采纳
1回答
我正面临着一个假阳性减少问题，并且正负大小的比率大约是。1.7:1.我从answer中了解到，使用精确度、召回率、FScore，甚至根据成本不同地对真-正、假正、真-负和假阴性进行加权，来评估不同的模型来处理指定的分类任务。 由于从keras中删除了Precision, Recall, and FScore，因此我找到了一些方法来在训练期间跟踪这些指标，例如github repo keras-metrics。 此外，我还通过这样定义精度找到了更好的解决方案， def precision(y_true, y_pred):
"""Precision metric.
浏览 10提问于2019-08-23得票数 0
回答已采纳
因此，当一批图像需要15 of时，训练DNN模型可能是一件痛苦的事情。速度对我来说并不那么重要，但要适应更大的批次(和模型才是)。所以我想知道是否有一个带有CUDA统一内存叉的PyTorch或者类似的东西来适应巨大的模型(每个GPU有16 it，但在CPU端有250 it，看起来很合理)？
浏览 22提问于2020-07-09得票数 1
回答已采纳
(我用的是Tensorflow 1.8.0 .)
没有提到保存顺序模型与从functional创建的模型之间的区别。但是，以下所有代码块都失败了：
import tensorflow as tf
net = tf.keras.models.Model()
net.save('file')
或
import tensorflow as tf
net = tf.keras.models.Model()
print(net.to_json())
或
import tensorflow as tf
net = tf.keras.models.Model()
print(net.to_y
浏览 1提问于2018-06-23得票数 3
回答已采纳
我在凯拉斯训练CNN。每个时期大约需要18个小时。我需要每半小时保存一次模型权重，因为我不能连续运行18个小时。
我尝试在period = 0.0125中使用checkpoint保存模型权重。我认为这将节省每100个训练样本的模型权重(假设总共没有。训练示例的数量= 8000)
cp_callback = tf.keras.callbacks.ModelCheckpoint(checkpoint_path, verbose=1, save_weights_only=True,period=0.0125)
model.fit_generator(
training_set,
s
浏览 0提问于2019-06-09得票数 0
我的训练数据有10680个样本，我将拟合设置为： model.fit(X, y, batch_size=32, epochs=5, verbose=1, validation_split=0.1) 这意味着它应该使用90%来训练(9612个样本)，另外10%来检查，对吗？ 但当我尝试运行它时，显示的纪元是： Epoch 1/5
301/301 [==============================] - 25s 85ms/step - loss: nan - accuracy: 0.4999 - val_loss: nan - val_accuracy: 0 它只使用了301个样本进
浏览 14提问于2020-04-02得票数 3
回答已采纳
3回答
我正在尝试使用通过生成的数据集(大约340000个带有转录本的小wav音频样本)来训练在中发现的模型。
当我和GPU一起训练的时候，训练进行得比较快，但是我不能把batch_train_size设置在25以上而不达到OOM。
当我使用CPU进行训练时，训练要慢得多，但我可以轻松地将batch_train_size设置为250 (可能高达700，但尚未尝试)。
我搞不懂GPU上的小批量限制会如何影响培训质量，或者如果提高批次数量可能会抵消这种影响…
也就是说，10000年代有25个样品，500个年代有500个？
GPU是GTX 1060和6Gb内存，CPU是双Xeon2630l v4 (1.7G
浏览 2提问于2017-05-03得票数 2
回答已采纳
我已经研究我的深度学习模型有一段时间了。今天，当我开始模型训练时，我注意到只有一小部分数据集被训练，每个时期使用的数据大小随着批量大小而变化。
print(mixture_train_shaped.shape)
print(clear_train_shaped.shape)
model.fit(mixture_train_shaped, clear_train_shaped,
validation_split=0.2,
epochs=40,
batch_size=32,
shuffle=True,
ve
浏览 6提问于2020-05-10得票数 0
回答已采纳
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
我已经有了一个训练13万句句子的模型。
我想用双向lstm对句子进行分类。我们计划使用这项服务。然而，在整个服务过程中，必须继续对该模式进行培训。
因此，我认为，直到模型的准确性提高，我将查看模型分类的句子，我将自己回答它们。
我会训练句子来回答。
一个接一个地训练句子和把它们合并成一个文件来训练它们有什么区别吗？
每次我一个接一个的训练，有什么关系吗？
浏览 0提问于2019-01-25得票数 0
回答已采纳
作为为什么要对数据进行机器学习任务的调整？的参考，我很好奇这是否是神经机器翻译的情况。
我想分析一下为什么我认为三个组件(列车、测试、val)的情况是这样的，其中的数据(作为参考数据集，即europarl- dataset )是分开的：
在训练部分，当进行小批处理梯度下降时，我们最好在每次更新时收集语义上更接近的数据，以便每次学习都集中在某个方向上。例如，在一次更新中，我们最好有很多关于一起喝咖啡的话题，而不是关于毒品、咖啡、狗等的话题。
在测试部分，我们希望看到模型在连续句子的大文本中的表现，因为翻译的目标是文档。对于验证，也应该是相同的。
我希望你的观点，如果你有任何经验或理论洞察力，为什
浏览 0提问于2019-12-12得票数 1
回答已采纳
1回答
因此，批处理标准化和丢弃是根据您是处于训练阶段还是推理阶段来改变行为的层。通常情况下，Keras会代表我处理这件事。但是，如果我正在进行定制培训，我该如何处理呢？
我所做的:添加if语句以在推理模式下绕过dropout层
class mymodel(tf.keras.models.Model):
def __init__(self, **kwargs):
super(mymodel, self).__init__(**kwargs)
self.l1 = tf.keras.layers.Dense(3, input_shape=(2,))
浏览 17提问于2019-07-05得票数 0
回答已采纳
这可能是一个愚蠢的问题，但希望有人告诉我是或不是。
假设我在Tensorflow中有一个LSTM网络，并且正在使用Adam Optimizer训练它，通过在训练期间为X和Y变量提供一组X和Y dict来最小化成本函数，然后在同一会话中，为变量提供新的X和Y dict以进行测试，Tensorflow是自动使用在训练期间找到的最佳模型(即使用在训练期间带来最低成本值的权重)，还是仅使用其运行中的最新模型(即最新的时期)？
想知道当达到新的较低成本值时，是否需要设置model.saver函数来捕获最佳模型，关闭当前会话，然后使用保存的模型重新打开一个新模型，或者是否可以假设，当我在与训练相同的会话中
浏览 19提问于2019-11-05得票数 1
回答已采纳
2回答
推荐系统中的不平衡数据集
、、、
我正在与keras建立一个推荐系统。训练集有超过200K的样本，但180K来自评级4。这里给出了分布。
评分5.0 89 4.0 187836 3.0 20032 2.0 6185 1.0 648 0.0 36 dtype: int64
显然，对于代表较少的标签，该模型失败了。我该如何解决这个问题？
我试过SMOTE，但没有用。
浏览 2提问于2019-04-11得票数 1
1回答
我试着从一篇文章中加载预训练的模型，但我不能这样做，因为我有一个gpu系统，但在模型中它被明确设置为使用gpu:0和gpu:1。我可以做什么来在我的pc上加载这个模型？我有ubuntu，python3.7，cuda10，TensorFlow2.0
浏览 21提问于2019-10-05得票数 0
到目前为止，我已经用TensorFlow (使用batch_size )训练了几个不同的模型，我看到正确的Keras似乎不仅对训练速度很重要，而且对模型的准确性也很重要。
让我困惑的是，一个模型有一个实际的批处理通道作为输入(以及输出)上的第一个维度。如果我的批处理大小是32，但我总是在运行时输入1个数据，那么批处理通道在哪里适用呢？如果我在前向传递中只使用了1/batch_size的量，我怎么能利用它的绝大多数呢？
如果你对我正在研究的模型感到好奇，那就是这个模型：
请参阅：
批处理的输出形状：(predictions，n_boxes_total，n_classes +4+ 8)
predi
浏览 0提问于2018-06-27得票数 0
2回答
谁能给我一个提示，告诉我如何使用TensorFlow2.0的C++ API加载一个用python和keras训练并导出的模型？ 我找不到关于这方面的信息，只有tensorflow版本低于2。 亲切的问候
浏览 34提问于2020-05-02得票数 7
我正在尝试训练Tensorflow对象检测模型。当我运行最后的命令进行训练时：
对于tensorflow版本1.14：python model_main.py --logtostderr --train_dir="/path to dir training/" --pipeline_config_path="Path to ssd_mobilenet_v1_pets_Colab.config"
对于TensorFlow2.0版：python model_main_tf2.py --logtostderr --train_dir="/path to dir
浏览 0提问于2020-10-07得票数 0
在TensorFlow2.0中使用SavedModels时，是否可以从中间层访问激活？例如，使用其中一个模型：，我可以运行，例如，
model = tf.saved_model.load('faster_rcnn_inception_v2_coco_2018_01_28/saved_model').signatures['serving_default']
outputs = model(input_tensor)
以获取输出预测和边界框。我希望能够访问输出层以外的其他层，但似乎没有任何Tensorflow 2.0的文档来说明如何做到这一点。下载的模型还包括检查
浏览 21提问于2019-10-24得票数 4
问个新手问题..。
如果我完成了我的模型的训练，或者我正在使用像YOLO这样的受过训练的模型。我想把模型放在一个有6GB VRAM的机器人上。在这种情况下，我是否需要关心批次的大小？
我试图找出是否像YOLO这样的模型将适合我的GPU。谢谢
浏览 3提问于2022-04-07得票数 0
回答已采纳
我编写了一个DataGenerator并初始化了一个validation_generator。如果为训练指定的批量大小大于验证集的大小，则不计算验证损失/acc。 如果验证集较大，则一切正常。指定validation_steps无济于事。 # Create data generators
training_generator = DataGenerator(partition['train'], embedding_model, **params)
validation_generator = DataGenerator(partition['validation&#
浏览 15提问于2019-05-22得票数 1
我一直在使用tensorflow supervisor ()从保存的检查点加载模型，用于训练和运行网络。但我注意到，即使在运行/评估模型时，检查点文件也会更新( graph.pbtxt的时间戳、更新的model.ckpt.data文件和创建的新events.out )。
这让我想知道使用supervisor来运行/评估模型是否也会重置/改变训练状态？建议使用主管进行培训以外的其他工作吗？
训练-
sv = tf.train.Supervisor(logdir=mylogdir)
with sv.managed_session() as sess:
if not sv.should_st
浏览 8提问于2017-02-23得票数 0
回答已采纳
我正在尝试训练一个Keras模型，它包含两个嵌套模型，并且我想分别保存两个内部模型的权重。现在，我能够保存整个模型的权重，但无法在大模型中加载嵌套模型的权重。
Big_model.summary的输出如下
Model: "model_3"
_________________________________________________________________
Layer (type) Output Shape Param #
========================================
浏览 1提问于2019-09-26得票数 4
回答已采纳
1回答
我正在从事多标签图像分类工作，我正在使用inception net作为我的基础架构。完成训练后，训练准确率> 90%，验证准确率> 85%，但我在测试数据上获得了17%的准确率。
模型训练-->
model = Model(pre_trained_model.input, x)
model.compile(loss='categorical_crossentropy',
optimizer=RMSprop(lr=0.0001),#'adam'
metrics=['acc']
浏览 0提问于2019-02-15得票数 0
1回答
在Keras中，如果我想在我的LSTM模型上预测多个实例，这些实例基于来自训练数据的独立数据和新数据，那么输入数组是否需要包括训练中使用的时间步长？如果是这样的话，我能期望model.predict的输入数组的形状与训练数据相同吗？(即要预测的样本数量，它们的时间步长，它们的特征)？ 谢谢您:)
浏览 44提问于2021-04-12得票数 3
我正在尝试创建一个tf模型，它可以检测到任何图像中的任何笔迹。为了做到这一点，我在所有的火车图片中制作了标签，只有一个标签:编辑。它的意思是，一个图像可以有这个标签很多次。
经过几个小时的使用cpu的训练，我没有得到预期的结果。在训练前，模型看不见我给你的任何块。
我使用的模型如下：
http://download.tensorflow.org/models/object_detection/tf2/20200711/efficientdet_d6_coco17_tpu-32.tar.gz
问题是，我给一个图像贴上了多次标签吗？
可能是使用cpu而不是gpu的问题吗？我目前有一个4gb的gpu
浏览 1提问于2022-11-22得票数 0
1回答
我试着训练一个关于"Cifar10“数据集的CNN。我进口它，当我检查它的形状：
cifar10 = tf.keras.datasets.cifar10
(x_train, y_train), (x_test, y_test) = cifar10.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
y_train, y_test = y_train.flatten(), y_test.flatten()
print("x_train.shape:", x_train.shape)
print(
浏览 1提问于2020-05-05得票数 0
回答已采纳
我正在尝试在TensorFlow2.0中运行FaceNet模型。我下载了一组预先训练好的权重(.pb文件)，并使用tf.GraphDef()在TF1.14中加载图形。 我想知道我应该如何在TF 2.0中运行它： 我尝试使用tf.SavedModel.load()方法，但返回一个空的签名字典。 在新的Tensorflow 2.0版本中是否可以重用TF 1.x pb文件？如果是这样，又是如何做到的呢？
浏览 23提问于2019-10-17得票数 0
回答已采纳
我正在训练一个有107850个样本的模型，并对26963个样本进行验证。
在Keras中拟合模型时，批处理大小和纪元数应该是多少，以优化验证精度？有没有什么基于数据输入大小的经验法则？如果纪元的数量增加，它是否会过度拟合模型？
谢谢。
浏览 2提问于2019-08-04得票数 3
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
云直播活动推荐
腾讯云开发者
