RNN的model.summary错误。此模型尚未构建
RNN（循环神经网络）是一种常用于处理序列数据的神经网络模型。在使用Keras等深度学习框架构建RNN模型时，可以通过调用model.summary()方法来查看模型的结构和参数数量等信息。
然而，当出现"model.summary错误，此模型尚未构建"的情况时，通常是因为在调用model.summary()之前，模型的结构还没有被完全定义或者模型还没有被编译。
要解决这个问题，首先需要确保在调用model.summary()之前，已经完成了模型的构建和编译。以下是一般的RNN模型构建和编译的步骤：
- 导入所需的库和模块：
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, SimpleRNN- 创建Sequential模型对象：
model = Sequential()- 添加RNN层：
model.add(SimpleRNN(units=64, input_shape=(timesteps, input_dim)))其中，units表示RNN层的神经元数量，timesteps表示输入序列的时间步数，input_dim表示输入序列的维度。
- 添加其他层（根据具体任务需求添加）：
model.add(Dense(units=32, activation='relu'))
model.add(Dense(units=1, activation='sigmoid'))- 编译模型：
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])其中，optimizer表示优化器，loss表示损失函数，metrics表示评估指标。
- 完成模型构建后，调用model.summary()方法查看模型结构：
model.summary()需要注意的是，以上代码仅为示例，具体的模型结构和参数设置应根据实际任务进行调整。
关于RNN模型的更多信息，可以参考腾讯云的相关文档和产品介绍：
- RNN模型概念：循环神经网络（RNN）是一种具有循环连接的神经网络，适用于处理序列数据。它可以通过记忆之前的信息来预测下一个输出。了解更多关于RNN模型的概念，请参考腾讯云文档：循环神经网络（RNN）
- RNN模型应用场景：RNN模型在自然语言处理、语音识别、时间序列预测等领域有广泛的应用。了解更多关于RNN模型的应用场景，请参考腾讯云文档：循环神经网络（RNN）应用场景
- 腾讯云相关产品：腾讯云提供了多种深度学习相关的产品和服务，如云服务器、云函数、人工智能平台等。了解更多关于腾讯云的产品和产品介绍，请参考腾讯云官方网站：腾讯云
相关·内容
1回答
修改残差LSTM
、、、
我在这里找到了剩余LSTM的一些代码：https://gist.github.com/bzamecnik/8ed16e361a0a6e80e2a4a259222f101e 我一直在使用LSTM对具有3d输入(样本、时间步长、特征)和单一输出的时间序列进行分类。我有兴趣在我的数据上尝试残差模型，但我需要的是具有sigmoid激活的单个输出。有人知道怎么做吗？当前模型似乎返回10个输出(输入数据中的特征数量)。 def make_residual_lstm_layers(input, rnn_width, rnn_depth, rnn_dropout):
"""
浏览 52提问于2020-07-15得票数 1
回答已采纳
1回答
我用下面的代码在keras中定义了一个simpleRNN： # define RNN architecture
from keras.layers import Input
from keras.models import Model
from keras.layers import SimpleRNN
from keras.models import Sequential
model = Sequential()
model.add(SimpleRNN(units = 10,
return_sequences=False,
浏览 62提问于2019-05-01得票数 2
回答已采纳
1回答
我是一个有状态的RNN与嵌入层，以执行二进制分类。我对函数API中需要的batch_size和batch_shape有一些混淆。
xtrain_padded.shape = (9600, 1403); xtest_padded.shape = (2400, 1403); ytest.shape = (2400,)
input_dim = size of tokenizer word dictionary
output_dim = 100 from GloVe_100d embeddings
number of SimpleRNN layer units = 200
h0: initial h
浏览 11提问于2022-02-12得票数 1
回答已采纳
我正在尝试在Tensorflow 2.0中实现一个多层RNN模型。同时尝试tf.keras.layers.StackedRNNCells和tf.keras.layers.RNN会得到相同的结果。有人能帮我理解一下tf.keras.layers.RNN和tf.keras.layers.StackedRNNCells之间的区别吗
# driving parameters
sz_batch = 128
sz_latent = 200
sz_sequence = 196
sz_feature = 2
n_units = 120
n_layers = 3
带tf.keras.layers.RNN的多层R
浏览 35提问于2020-03-11得票数 3
1回答
我试图从我的模型中的SimpleRNN层获取输出和最终的隐藏状态。该模型的结构如下：
inp= Input(shape= (input_length,))
emb_out= Embedding(input_dim, output_dim, input_length= input_length,
weights= [Emat], trainable= False)(inp)
rnn_out, rnn_state= SimpleRNN(200, return_state= True)(emb_out)
#out= Dense(1, activ
浏览 8提问于2022-02-11得票数 0
回答已采纳
1回答
我正在尝试构建一个Elman简单的RNN，正如所描述的。
我使用Keras构建了模型，如下所示：
model = keras.Sequential()
model.add(keras.layers.SimpleRNN(7,activation =None,use_bias=True,input_shape=
[x_train.shape[0],x_train.shape[1]]))
model.add(keras.layers.Dense(7,activation = tf.nn.sigmoid))
model.summary()
_
浏览 1提问于2019-01-09得票数 1
回答已采纳
我正在使用简单的随机神经网络来预测时间序列上的。我已经在上发布过了。
虽然使用keras-tf (来自tensorflow import keras)可以很好地收敛模型，但使用原生keras (import keras)不能使用完全相同的代码。
融合模型代码(keras-tf)：
from tensorflow import keras
import numpy as np
np.random.seed(1337) # for reproducibility
def run_avg(signal, alpha=0.2):
avg_signal = []
avg = np.
浏览 25提问于2019-08-07得票数 14
1回答
我不明白RNN模型的输入。为什么它在每个层的节点大小之前都不显示。为什么是(无，1)(无，12)
这是我的密码。
K.clear_session()
model = Sequential()
model.add(Dense(12, input_dim=1, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
model.summary()
浏览 3提问于2018-12-28得票数 1
回答已采纳
1回答
从RNN中可以得到可变的输出长度，即input_seq_length != output_seq_length吗？
下面是一个示例，显示LSTM输出形状、test_rnn_output_v1默认设置--仅返回最后一步的输出，test_rnn_output_v2返回所有步骤的输出，即我需要类似于test_rnn_output_v2的输出，但具有输出形状(None, variable_seq_length, rnn_dim)或至少是(None, max_output_seq_length, rnn_dim)。
from keras.layers import Input
from keras.la
浏览 6提问于2020-04-20得票数 1
回答已采纳
3回答
我正在尝试理解注意力模型，并且自己也建立了一个模型。经过多次搜索，我发现了，它有一个用keras编写的atteniton模型，而且看起来也很简单。但是当我试图在我的机器上构建相同的模型时，它给出了多参数错误。错误是由于在类Attention中传递的参数不匹配造成的。在网站的attention类中，它请求一个参数，但它使用两个参数初始化attention对象。
import tensorflow as tf
max_len = 200
rnn_cell_size = 128
vocab_size=250
class Attention(tf.keras.Model):
def __i
浏览 46提问于2019-07-09得票数 14
回答已采纳
2回答
我用tensorflow和keras一起训练到一个使用google的char-RNN。我将我的模型训练为10个时期，并使用'model.save()‘保存它，如中所示。紧接着，我再次加载它，只是为了检查，我尝试在加载的模型上调用model.fit()，并使用完全相同的训练集得到一个“维度必须相等”的错误。培训数据在tensorflow数据集中，按批组织，如所示。下面是一个最低限度的工作示例：
import numpy as np
import tensorflow as tf
from tensorflow.keras.models import Sequential
from ten
浏览 7提问于2020-12-05得票数 1
回答已采纳
1回答
这两种使用Dense层的方法有什么区别吗？似乎输出形状是相同的，参数的数量是一样的。
如果我们使用固定的重量，将是相同的输出？将在训练期间得到相同的结果？。
def test_rnn_output_v1():
max_seq_length = 10
n_features = 8
rnn_dim = 64
dense_dim = 16
input = Input(shape=(max_seq_length, n_features))
out = LSTM(rnn_dim, return_sequences=True)(input)
ou
浏览 5提问于2020-04-22得票数 1
回答已采纳
如何在同一个Tensorflow模型上对多个输出执行加权损失？这意味着我正在使用一个模型，它的目的是有3个输出。我这么做是因为我想让网络了解输入变量之间的关系。更具体地说，这是多输出回归。
输出模型形状如下：
tf.Tensor: id=606, shape=(3, 3), dtype=float32, numpy=
array([[ 0.01483282, 2.9515972 , -0.07268244],
[-0.8814691 , 2.543654 , 0.08576971],
[-0.6933001 , 1.3419302 , -0.2519236
浏览 0提问于2019-06-03得票数 0
回答已采纳
2回答
我需要使用这个库来构建我的模型，但是当我遇到这个错误时。 from rnn_utils import * 没有名为'rnn_utils‘的模块
浏览 122提问于2020-04-13得票数 0
我想构建一个deep RNN，在这里我的x_train和y_train。当我执行以下代码时：
print(X_train_fea.shape, y_train_fea.shape)
X_train_res = np.reshape(X_train_fea,(10510,10,1))
y_train_res = np.reshape(y_train_fea.to_numpy(),(-1,1))
print(X_train_res.shape, y_train_res.shape)
结果：
(10510, 10) (10510,)
(10510, 10, 1) (10510, 1)
和
model
浏览 0提问于2021-01-12得票数 0
回答已采纳
我构建了一个自定义的keras模型：
def create_model(input_dim,
filters,
kernel_size,
strides,
padding,
rnn_units=256,
output_dim=30,
dropout_rate=0.5,
浏览 0提问于2019-11-02得票数 0
1回答
我想知道如何堆叠许多层的RNN，但每一层都是相同的RNN。我希望每一层都有相同的权重。我已经读取了堆栈LSTM和RNN，但我发现每一层都不一样。 1层编码： inputs = keras.Input(shape=(maxlen,), batch_size = batch_size)
Emb_layer = layers.Embedding(max_features,word_dim)
Emb_output = Emb_layer(inputs)
first_layer = layers.SimpleRNN(n_hidden,use_bias=True,return_sequences=F
浏览 34提问于2020-10-01得票数 0
回答已采纳
1回答
我正在尝试构建一个LSTM模型，使用Tensorflow和Python3.6从Github下载。模型的链接是。
执行以下命令时
lstmCell = tf.contrib.rnn.BasicLSTMCell(lstmUnits)
我收到错误了
D:\Anaconda3\lib\site-packages\tensorflow\contrib\rnn\python\ops_lstm_ops.dll NotFoundError:找不到
您可能有通知，该路径没有非ASCII代码！！
有什么建议吗？
浏览 4提问于2017-12-05得票数 0
回答已采纳
希望你们都做得很好！
我正在使用LibriSpeech数据集进行自动语音识别。在对音频数据进行预处理并应用"MFCC特征化“之后，我将所有内容添加到列表中并获得(14174,)的形状。知道每个样本有不同的长度，但是有相同数量的特性，例如：
print(X[0].shape)
print(X[12000].shape)
>> (615, 13)
>> (301, 13)
现在，当我用定义为
input_data = Input(name='the_input', shape=(None, input_dim)) # with input_dim =
浏览 0提问于2020-07-01得票数 0
我正在构建一个用于图像分类的cnn_rnn网络。在我的jupyter笔记本中运行以下python代码时，我得到了一个错误。
# model
model1 = Sequential()
# first convolutional layer
model1.add(Conv2D(32, kernel_size=(3, 3),activation='relu',input_shape(160, 120, 3)))
# second convolutional layer
model1.add(Conv2D(64, kerne
浏览 0提问于2019-03-11得票数 1
1回答
我试着用LSTM训练一个简单的多对一RNN分类器。我的时间步骤是100个数据点长，有7个特性，我总共有192382个样本。这是我的模型：
model = Sequential()
model.add(LSTM(50,input_shape = (100,7),name = 'LSTM',return_sequences=False))
model.add(Dropout(0.2))
model.add(Dense(3, activation='softmax',name = 'softmax_layer'))
model.compile(opti
浏览 3提问于2017-10-10得票数 0
回答已采纳
1回答
RNN从哪里获取批次大小？
、、、、
我正在训练一个RNN，如下所示：
def create_rnn_model(stateful,length):
model = Sequential()
model.add(SimpleRNN(20,return_sequences=False,stateful=stateful,batch_input_shape=(1,length,1)))
adam = optimizers.Adam(lr=0.001)
model.add(Dense(1))
model.compile(loss='mean_absolute_error', opt
浏览 0提问于2018-10-23得票数 0
回答已采纳
我正在为一个多类任务开发一个基本的RNN模型，并且我面临着一些关于输出维度的问题。
这是我的输入/输出形状：
input.shape = (50000, 2, 5) # (samples, features, feature_len)
output.shape = (50000, 17, 185) # (samples, features, feature_len) <-- one hot encoded
input[0].shape = (2, 5)
output[0].shape = (17, 185)
这是我的模型，使用Keras functional API：
inp =
浏览 4提问于2021-02-25得票数 0
1回答
我最近试图构建一个程序，对Quora (问题对)数据集进行分类，无论它是否重复。我得到了基于实数y的精度和损失，但是IDK如何处理输出(预测的y)，有人能帮我吗？输出应为1或0(二进制类)
这是句子合并的代码，训练过程中使用LSTM
merged = RNN(EMBED_HIDDEN_SIZE)(merged)
merged = layers.Dropout(dropoutp)(merged)
preds = layers.Dense(answer_size, activation='sigmoid')(merged)
model = Model([questiona, q
浏览 0提问于2018-04-01得票数 0
X_train数据维数为87482，3。
但是我在运行下面的代码时出错了。错误是：
ValueError:在检查输入时出错:期望lstm_6_input具有形状(87482，1)，但得到形状为(87482，3)的数组
我的代码是：
model = Sequential()
#model.add(Embedding(top_words, embedding_vecor_length, input_length=max_review_length))
model.add(LSTM(units=3, input_shape=(X_train_rnn.shape[1],1),return_sequ
浏览 4提问于2019-11-20得票数 1
2回答
我试着开始在Keras & Tensorflow中使用Elmo。在运行下面的代码时，我得到一个似乎没有初始化权重的错误。我也尝试过在这里定义ElmoLayer类()，但仍然存在相同的错误。
知道我做错什么了吗？
def ElmoEmbeddingLayer(x):
print(x.shape)
module = hub.Module("https://tfhub.dev/google/elmo/3", trainable=False)
embeddings = module(tf.squeeze(tf.cast(x, tf.string)), s
浏览 9提问于2021-10-22得票数 0
回答已采纳
1回答
我正在学习Keras并尝试构建我的层，所以我构建了一个简单的Lambda层，它只是计算输入的平均值。
当我将该层添加到顺序模型时，TypeError发生在第4行。这是我的代码：
mean_layer = keras.layers.Lambda(lambda x: tf.reduce_mean(x))
model = keras.models.Sequential()
model.add(keras.layers.InputLayer(input_shape=[10]))
model.add(mean_layer())
model.summary()
TypeError: __call__()
浏览 3提问于2019-11-24得票数 0
回答已采纳
1回答
我使用Keras创建了以下SimpleRNN：
X = X.reshape((X.shape[0], X.shape[1], 1))
tr_X, ts_X, tr_y, ts_y = train_test_split(X, y, train_size=.8)
batch_size = 1000
print('RNN model...')
model = Sequential()
model.add(SimpleRNN(64, activation='relu', batch_input_shape=(batch_size, X.shape[1], 1)))
m
浏览 1提问于2017-11-13得票数 1
我已经成功地创建了一个RNN，它可以预测一个字母序列中的下一个字母。然而，我想不出为什么解决问题的方法是有效的。
我的训练数据是(39000,7,7)维数
我的模型如下：
model = Sequential()
model.add(SimpleRNN(7, input_shape = [7,7], return_sequences = True))
model.add(Flatten())
model.add(Dense(7))
model.add(Activation('softmax'))
adam = optimizer
浏览 1提问于2019-01-16得票数 0
回答已采纳
我正在尝试使用tensorflow对RNN进行二进制分类。M y训练和测试数据的标签是0和1。当我尝试在完成的模型上使用我的RNN时，它为每个单独的样本返回几乎相同的预测：
model.predict(holdout_x[400:500])
array([[-4.116061 , -1.3410028],
[-4.1405125, -1.3521721],
[-4.171639 , -1.3665637],
[-4.1515126, -1.356805 ],
[-4.1466017, -1.3546 ],
[-4.1306634, -1.3479614],
浏览 11提问于2020-05-29得票数 1
我试图为我的模型使用Functional，但是我不明白为什么我有错误：
ValueError: Shapes (128, 100) and (128, 100, 139) are incompatible
我的代码：
input_tensor = Input(batch_input_shape=(batch_size,None))
x = Embedding(vocab_size, embed_dim)(input_tensor)
x = LSTM(rnn_neurons4, return_sequences=True, stateful=True)(x)
output_tensor = De
浏览 3提问于2022-05-04得票数 0
我目前正在开发一个基于其他数据来预测股票收盘价的LSTM模型。这是我第一次使用RNN。我正在使用tensorflow。
当我试图预测X列车数据的价格时，问题就出现了(模型就是在这个数据上训练的)。与y训练数据相比，我得到了不同的维度。
我使用时间步长为100的7个功能来预测收盘价。
以下是我的输入数据的形状：
<code>A0</code>
在我看来，输入数据的形状是正确的。并将(100，7)的输入形状传递给模型
然后我运行：
<code>A1</code>
我得到的输出是(3697,100，1)。我期望的是(3697，1)，这是y_train的
浏览 177提问于2021-06-16得票数 0
1回答
...coming来自TensorFlow，几乎所有形状和一切都是显式定义的，我对Keras的递归模型API感到困惑。让Elman网络在TF中工作是很容易的，但是Keras拒绝接受正确的形状.
例如：
x = k.layers.Input(shape=(2,))
y = k.layers.Dense(10)(x)
m = k.models.Model(x, y)
...works非常完美，根据model.summary()，我得到了一个形状为(None, 2)的输入层，然后是一个输出形状为(None, 10)的密集层。这是有意义的，因为Keras会自动为批处理添加第一个维度。
然而，以下代码：
浏览 0提问于2018-05-31得票数 7
回答已采纳
最近我在Keras上遇到了一个问题。我的模型看起来：
inputs = Input(shape=(max_sequence_len,))
# Embedding layer
embedding = Embedding(
input_length=max_sequence_len,
input_dim=len(word_idx),
output_dim=100,
weights=[embedding_matrix],
trainable=False
)(inputs)
# Recurrent layers
hea
浏览 13提问于2022-08-10得票数 0
回答已采纳
1回答
我已经编写了以下脚本，它读取CNN-RNN-FCN NN架构的yaml规范，并构建相应的Keras模型： #!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Created on Sat Oct 27 10:22:03 2018
@author: jsevillamol
"""
import yaml, argparse
from contextlib import redirect_stdout
from tensorflow.python.keras.models import Mod
浏览 24提问于2018-12-24得票数 1
回答已采纳
我尝试在Tensorflow中构建一个情感分析模型
def rnn_lstm(weights, biases, data_x, sequence_length, vocab_size, embedding_size):
# Use Tensor Flow embedding lookup and convert the input data set
with tf.device("/cpu:0"):
embedding = tf.get_variable("embedding43", [vocab_size, embedding_
浏览 0提问于2017-05-18得票数 0
1回答
我正在尝试在tensorflow中构建序列序列模型，并且我使用MultiRNN类将3 GRUs链接到一起作为我的编码器。
with tf.variable_scope('encoder') as encode_scope:
encoder_rnn = rnn.MultiRNNCell([rnn.GRUCell(1024)] * 3)
encoder_state = tf.zeros((BATCH_SIZE, encoder_rnn.state_size))
for t in range(TIME_STEPS):
encoder_outpu
浏览 6提问于2016-06-16得票数 0
回答已采纳
我正在修改一段旧代码，将注意力层添加到模型中。但我无法弄清楚如何用正确的输入大小来堆叠这些层。
实际输入数据为(200,189，1)。
//我正在尝试这样的方法
def mocap_model(optimizer='SGD'):
model = Sequential()
model.add(Conv2D(32, 3, strides=(2, 2), padding ='same', input_shape=(200, 189, 1)))
model.add(Dropout(0.2))
model.add(Activation(&#
浏览 2提问于2021-04-18得票数 1
回答已采纳
似乎在原则上，一个简单的RNN应该能够独立运行，因为它为每个输入生成输出和状态。我看到的所有示例都在RNN之后有一个密集的层，我的模型没有一个就不能构建。为什么会这样呢？
浏览 3提问于2019-03-27得票数 0
我正在对一个RNN模型进行预测，它错误地说：
AttributeError Traceback (most recent call last)
<ipython-input-18-cd3fe876f68d> in <module>
1 # Make sentiment predictions
----> 2 predictions = model.predict_classes(X_test)
AttributeError: 'Sequential' object has no a
浏览 6提问于2022-06-21得票数 0
我直接从一个创建RNN的google示例中运行示例代码，但是在运行它时会出现一个错误。我在VisualStudio 2019，Windows10 x64和i7-10510U和mx230上运行它
“守则”：
import numpy as np
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
model = keras.Sequential()
# Add an Embedding layer expecting input vocab of size 1000,
浏览 1提问于2021-06-17得票数 0
我有这段来自youtube视频的Keras代码： from keras.models import Sequential
from keras.layers import Embedding, SimpleRNN
model = Sequential()
model.add(Embedding(10000, 32))
model.add(SimpleRNN(32))
model.summary() 摘要的输出如下： _________________________________________________________________
Layer (type)
浏览 33提问于2019-06-13得票数 1
回答已采纳
1回答
这个模型还没有建立起来。为什么？
、、、、
我已经创建了这个基本模型，并且它可以正常工作：
from tensorflow.keras.applications import ResNet50
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout
base_model = ResNet50(include_top=False,
weights='imagenet',
input_shape=(150, 150, 3))
浏览 5提问于2021-08-06得票数 0
我想在我正在构建的tensorflow模型中为我的简单RNN使用relu激活。它位于一个深而复杂的网络之上。我正在尝试对一系列图像进行分类。我注意到，keras和tensorflow源代码中的默认激活对于简单的RNN来说都是tanh。这有什么原因吗？使用relu有什么问题吗？似乎雷鲁会更好地帮助逐渐消失的梯度。
nn = tf.nn.rnn_cell.BasicRNNCell(1024, activation = tf.nn.relu)
浏览 8提问于2016-08-27得票数 6
回答已采纳
2回答
我正在尝试理解在tensorflow中在seq2seq中定义的seq2seq.py模型。我使用从tensorflow附带的translate.py示例复制的代码。我一直在犯同样的错误，我真的不明白它是从哪里来的。
再现错误的最小代码示例：
import tensorflow as tf
from tensorflow.models.rnn import rnn_cell
from tensorflow.models.rnn import seq2seq
encoder_inputs = []
decoder_inputs = []
for i in xrange(350):
en
浏览 7提问于2015-11-17得票数 15
回答已采纳
2回答
我已经构建了我的LSTM模型。理想情况下，我希望稍后使用重用变量来定义一个测试LSTM模型。
with tf.variable_scope('lstm_model') as scope:
# Define LSTM Model
lstm_model = LSTM_Model(rnn_size, batch_size, learning_rate,
training_seq_len, vocab_size)
scope.reuse_variables()
test_lstm_model = LSTM_Mod
浏览 4提问于2017-07-23得票数 4
我有一个包含1,514,669个术语(26,791个唯一单词)的长文本。我创建了一个字典，以唯一的单词为关键字，以单词索引为值： {'neighbors': 0,
'prowlings': 1,
'trapped': 2,
'succeed': 3,
'shrank': 4,
'napkin': 5,
'verdict': 6,
'hosted': 7,
'lists': 8,
'meat': 9,
'a
浏览 16提问于2019-01-30得票数 2
回答已采纳
我检查了谷歌的tacotron2模型，稍微修改了一下，以适应我的数据。训练成功运行到9000个时期，但随后抛出OOM错误(我重复了训练，但每次尝试都在完全相同的位置停止)。 我在tf.nn.bidirectional_dynamic_rnn函数中添加了swap_memory=True选项，以查看它是否可以解析。在这一改变之后，训练运行得有点慢，但能够运行更多的时期，但它仍然在大约10000时期抛出OOM错误。 我使用的是12 gpu的titanX图形处理器。模型检查点文件(每个检查点3个文件)仅为500 MB，元文件和数据文件为80 MB。我对检查点了解不多，但如果它代表了训练所需的所有模型
浏览 21提问于2018-12-24得票数 0
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
我已经建立了一个用于实体识别的RNN模型。我使用BERT嵌入，然后通过RNN模型处理结果。然而，当训练模型5个时期时，每个时期似乎需要大约2个小时。而且，验证损失似乎一点也没有减少。 我在RTX 2080 GPU上运行该进程。我已经尝试过操纵模型，但没有改进模型。我拥有的数据集大约有400000个句子。 这是我的模型： def build_model(max_seq_length, n_tags):
in_id = Input(shape=(max_seq_length,), name="input_ids")
in_mask = Input(shape=(
浏览 9提问于2019-06-21得票数 2
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
腾讯会议
实时音视频活动推荐
腾讯云开发者
