我开始使用Dataset API来取代feed_dict系统。首先，我创建了一个单镜头迭代器。= tf.data.Dataset.from_tensor_slices(np_data)next_valueresult = sess.run(dense, feed_dict({x: val
浏览 12提问于2019-08-02得票数 2
回答已采纳
我有一个现有的TensorFlow模型，它使用tf.placeholder作为模型输入，使用tf.Session().run的feed_dict参数来输入数据。我希望使用更大的数据集，并利用tf.data API的性能改进。我从它定义了一个tf.data.TextLineDataset和一次迭代器，但是我很难弄清楚如何将数据输入到模型中来训练它。更深入的研究让我明白，这是因为iterator.get_next()返回的对象已经是图形的一部分，与您将输入feed_dict的内容不同--而且出于性能考虑，我根
浏览 1提问于2018-04-10得票数 20
回答已采纳
我正在将一些遗留代码转换为使用Dataset API --该代码使用feed_dict将一个批处理提供给列车操作(实际上是三次)，然后使用同一批重新计算显示损失。因此，我需要一个迭代器，它可以返回完全相同的批处理两次(或几次)。不幸的是，我似乎无法找到使用tensorflow数据集的方法--这可能吗？
浏览 1提问于2018-03-19得票数 4
回答已采纳
我是Tensorflow Dataset API的新手，我不能完全理解其设计的简单性，因此我需要一些帮助。下面是一个简单的例子 import tensorflow as tf
y = tf.square(x)
print(sess.run(y, {x: 2}))
# result is 4, simple 如果我有一个整数数组arr_x=[2, 3, 5, 8, 10]，我如何使用Da
浏览 12提问于2019-03-24得票数 1
/python/client/session.py in _run_fn(feed_dict, fetch_list, target_list, options, run_metadata)-> 1307 options, feed_dict, fetch_list, target_list, run_metadata)因此，在运行这段代码之后，它将引发与您看到的完全相同的错误。现在，我没有任何想法来间接解决这个问题(不使用张量
浏览 0提问于2018-08-27得票数 1
当我学习tensorflow项目时，找到一行代码：通过查阅信息，我发现使用函数'dataset‘可以解决这个问题，这需要花费很多时间，我应该如何使用它？img = cv2.imread('.sess.graph.get_tensor_by_name('Reshape_2:0')
output_
浏览 0提问于2018-10-17得票数 1
回答已采纳
我已经将代码从基于队列的系统转换为tensorflow的数据集。在转换之后，我看到了准确性的下降和时间的增加。我认为这是因为我的实现不正确，我目前正试图解决可能出现的问题。通过队列加载到内存中可能会造成瓶颈，所以当我听说Dataset API时，我觉得值得一看。因此，我现在检索所有图像信息并将其传递给我的方法，然后通过Dataset batch方法执行批处理。我读到没有必要在dataset上调用iter.get_next，因为ops会自动调用它，但是由于我在结尾看到的准确性，我对这是否属
浏览 0提问于2018-04-25得票数 0
回答已采纳
官方的TensorFlow 声明如下：
然而，完全避免使用feed_dict似乎是不可能的。考虑使用培训、验证和
浏览 0提问于2018-09-20得票数 1
3回答
TensorFlow构建了一种很好的存储数据的方式。例如，它用于存储示例中的MNIST数据：<tensorflow.examples.tutorials.mnist.input_data.read_data_sets.
浏览 1提问于2015-12-19得票数 21
回答已采纳
为了在tf.train.SequenceExample Tensorflow中培训LSTM模型，我已经将数据结构化为格式，并将其存储到TFRecord文件中。现在，我想使用新的DataSet API来生成用于培训DataSet的填充批。在中有一个使用padded_batch的例子，但是对于我的数据，我无法确定padded_shapes的值应该是什么。为了将TFrecord文件读入批处理，我编写了以下Python代码：import tensorflow as tf
import n
浏览 5提问于2017-08-30得票数 18
回答已采纳
我正在使用Tensorflow Dataset API来读取TFRecords文件，但是GPU的使用率仍然很低(10%)。我认为原因是在数据被输入到sess.run()之前对其进行预处理。dataset = dataset.map(_parse_function)iterator = data_ds.make_one_s
浏览 0提问于2017-12-27得票数 1
不过，我不知道这是否真的可行。/python3.6/dist-packages/tensorflow/python/client/session.py in _call_tf_sessionrun(self，options，feed_dict(train_dataset，steps_per_epoch=1000，epochs=2)
/usr/local/lib/python3.6/dist-packages
浏览 0提问于2018-10-03得票数 6
1回答
我最近开始使用tensorflow，更具体地说，是使用新的dataset API。通过将数据集的迭代器插入到表示输入和标签的图的节点，我已经成功地使用数据集将训练数据提供给我的简单模型。类似于：label = label_dataset.make_one_shot_iterator如果我有一个占位符，我只会将用户输入放在一个feed_dict中，但是对于data
浏览 2提问于2017-10-18得票数 0
我正在尝试通过将数据从Postgres导入到Tensorflow2.0中来尝试tensorflow_datasets。我有一个包含大约50条记录的表aml2。该表有三列v1、v2和class。That isn't a problem##query="SELECT v1, v2, class FROMaml2;",
print(dataset.element
浏览 2提问于2020-10-04得票数 1
我们正在Tensorflow上运行多个GPU作业，并评估从基于队列的模型(使用string_input_producer接口)到新的Tensorflow Dataset API的迁移。train_dataset, train_iterator = get_dataset(train_files, batch_size, epochs)
val_dataset, val_iterator= get_dataset(val_files, batch
浏览 3提问于2017-10-26得票数 13
回答已采纳
1回答
我正在测试是否是时候从过时的基于队列的API迁移到TensorFlow中的Dataset API。
我似乎找不到一个等效的用例，那就是tf.train.batch的enqueue_many参数。在新的Dataset API中是否有解决方法来实现这一点？
浏览 1提问于2018-11-27得票数 3
我在tensorflow文档中发现了这一点，但我不知道将train_op放在哪里，也不知道如何使用keras模型： train_op = optimizer.minimize( loss )
我发现的帖子中没有提到如何处理train_op，以及您是否可以在
浏览 0提问于2018-05-03得票数 4
回答已采纳
tf.global_variables_initializer()) print(result) 256 except Exception as e: # pylint/python/framewor
浏览 0提问于2020-11-28得票数 0
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？labels, images = d.getNextBatch(nBatchSize) sess.run(train_step, feed_dict]
I tensorflow/core&
浏览 6提问于2016-08-06得票数 0
回答已采纳
我试着遵循这个链接中的例子：但我完全搞不懂如何管理这个会议。我理解第一个参数是要运行的操作，而feed_dict是占位符(我的理解是训练或测试数据集的批次)，batch_size = 100
handle_mix = tf.placeholder": padded_src[1],"y_src2": padded_src[1], "
浏览 0提问于2018-03-20得票数 3
云服务器
ICP备案
对象存储
云点播
智聆口语评测
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号