我正在尝试用于文本分类的基本Tensorflow JS模型,但是我得到了这个形状错误
(node:11400) UnhandledPromiseRejectionWarning: Error: Length of values '33693' does not match the size inferred by the shape '10000'.
这是我的密码
var X_Train = // tokenize sentences
var Y_Train = // encoded label
const xs = tf.tensor2d(X_Train);
我有一个tflite模型,期望输入形状为(1,1000,12)。为了测试它,我打算加载一个CSV文件并对其运行推理。下面是我的代码和我在运行它时得到的错误消息的相关部分。 我假设我在正确加载或读取CSV文件时犯了一个错误。我是Android的新手,在这件事上如果有任何帮助,我将非常感谢! val testModel = myModel.newInstance(context)
// Creates inputs for reference.
val inputFeature0 = TensorBuffer.createFixedSize(intArrayOf(1, 1000, 12), D
这就是我想要运行的代码
X_train = data1/255.0
from sklearn.preprocessing import LabelBinarizer
lb = LabelBinarizer()
trainY =lb.fit_transform(label)
from tensorflow.keras.models import Model
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import AveragePooling2D
from tensorflow.keras
我已经建立并训练了我的CNN模型,我想对它进行测试。我写了一个脚本,从指定的目录路径接收输入图像,然后对图像进行预处理,并将像素值重新调整为0到1之间。我还将图像大小调整为正确的尺寸,并使用model.predict()给出预测。但是,当我运行代码时:
from keras.models import Sequential
from keras_preprocessing.image import *
from keras.layers import *
import tensorflow as tf
import numpy as np
from keras.layers.experimen
我试图使用斯坦福狗数据集来练习使用图像增强和创建图像分类器。当我训练我的模型时,我总是会犯错误。
我认为我的问题可能与我如何在规范化函数中调整图像大小有关。
以下是代码:
import tensorflow as tf
import tensorflow_datasets as tfds
import tensorflow_hub as hub
from tensorflow.keras import layers
tfds.disable_progress_bar()
import os
import matplotlib.pyplot as plt
import matplotlib.p
我正在进行名为“使用堆栈LSTM预测股票价格”的项目,但我在行中得到了"ValueError:未能广播输入数组从形状(1221,)到形状(1221,7)“的错误。
trainPredictPlotlook_back:len(train_predict)+look_back,:= train_predict
我的代码是:
import tensorflow as tf
from tensorflow.keras.models import load_model
from tensorflow.keras.models import Sequential
from tensorflow.
当我试图在一个带有conv1d层的网络中计算Xw.r.tY的梯度时,我得到的消息是“来自维度3、0、C的无效索引”,进程就会停止。
最小工作实例:
import numpy as np
from tensorflow.python.keras import models
from tensorflow.python.keras import layers
from tensorflow.python.keras import backend as K
inp = layers.Input(shape=(10, 20,))
conv = layers.Conv1D(filters=10, k
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
我有一个三维张量,其维数如下:宽度x高度x深度。我需要将可变大小的卷调整到一个特定的形状,比如256 x 256 x 256。不幸的是,在TensorFlow.js中,它们用于调整大小的一组方法(如tf.image.resizeBilinear & tf.image.resizeNearestNeighbor )仅适用于2D图像。有办法让这些方法在3D空间中工作吗?
我想使用Conv1D使扩展卷积网络成为序列数据集。
所以我尝试了波士顿数据集的Conv1D。
from tensorflow.python.keras.layers import Conv1D, MaxPooling2D
from tensorflow.python.keras.layers import Activation, Dropout, Flatten, Input, Dense
from tensorflow.python.keras.models import Model
from sklearn.datasets import load_boston
from sklearn.
我当时正在做“Iris数据集上的模型验证”的作业。
我得到这个错误:“检查输入时出错:期望dense_input具有形状(135,),但得到具有形状(4,)的数组”。我如何克服这个问题?
我的代码是
from numpy.random import seed
seed(8)
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets, model_selection
from sklearn.model_selection import trai
我尝试使用R进行音频分类,但我遇到了网络形状错误不兼容的问题。我创建了这两个函数,以便读取所有的wave文件并使用mel特性将它们转换成一个矩阵
audio = readWave(paste(outDir, '/', labels$filename[i], sep = ('') ))
audio = normalize(audio)
audio = crop(audio) #in order to have all signals of same size
return(melfcc(audio, sr = audio@samp.rate))
}