我对adam优化器在tensorflow中的实际工作方式感到困惑。我阅读docs的方式，它表示每次梯度下降迭代都会改变学习率。但是当我调用函数时，我给它一个学习率。而且我不会调用该函数来让我们说，做一个时代(隐式调用#迭代以便完成我的数据训练)。我为每个批处理显式调用函数，如forepochinepochsforbatchindatasess.run(train_adam_step,feed_dict={eta:1e-3})所以我的预计到达时间不能改变。而且我没有传递时间变量。或者这是某种生成器类型的东西，在每次调用优化器时创建sessiont都会递增？假设它是某种生成器类型的东西并且
我指的是tensorflow提供的DeepMNISTforExperts教程。我在TrainandEvaluate有问题该教程的一部分。他们在那里给出了如下示例代码。cross_entropy=tf.reduce_mean(-tf.reduce_sum(y_*tf.log(y_conv),reduction_indices=[1]))train_step=tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)correct_prediction=tf.equal(tf.argmax(y_conv,1),tf.argmax(y_,1))a
我目前有以下代码用于tensorflow中的一系列链接在一起的RNN。我没有使用MultiRNN，因为稍后我要对每一层的输出做一些事情。forrinrange(RNNS):withtf.variable_scope('recurent_%d'%r)asscope:state=[tf.zeros((BATCH_SIZE,sz))forszinrnn_func.state_size]time_outputs=[None]*TIME_STEPSfortinrange(TIME_STEPS):rnn_input=getTimeStep(rnn_outputs[r-1],t)time_out
我想为我的实验保存多个模型，但我注意到tf.train.Saver()构造函数不能保存超过5个模型。这是一个简单的代码:importtensorflowastfx=tf.Variable(tf.zeros([1]))saver=tf.train.Saver()sess=tf.Session()foriinrange(10):sess.run(tf.initialize_all_variables())saver.save(sess,'/home/eneskocabey/Desktop/model'+str(i))当我运行这段代码时，我在桌面上只看到了5个模型。为什么是这样？如何使用相同
我有两组不同的摘要。一个每批处理收集一次，另一个每个时期收集一次。如何使用merge_all_summaries(key='???')分别收集这两个组中的摘要？手动执行始终是一种选择，但似乎有更好的方法。说明我认为它应该如何工作:#onceperbatchtf.scalar_summary("loss",graph.loss)tf.scalar_summary("batch_acc",batch_accuracy)#onceperepochgradients=tf.gradients(graph.loss,[W,D])tf.histogram_summary("embedding/W"
我尝试简单地保存和恢复图形，但最简单的示例没有按预期工作(这是在Linux64上使用版本0.9.0或0.10.0完成的，没有使用Python2.7或3.5.2的CUDA)首先我像这样保存图表:importtensorflowastfv1=tf.placeholder('float32')v2=tf.placeholder('float32')v3=tf.mul(v1,v2)c1=tf.constant(22.0)v4=tf.add(v3,c1)sess=tf.Session()result=sess.run(v4,feed_dict={v1:12.0,v2:3.3})g1=tf.tra
我的TensorFlow模型使用tf.random_uniform来初始化一个变量。我想在开始训练时指定范围，所以我为初始化值创建了一个占位符。init=tf.placeholder(tf.float32,name="init")v=tf.Variable(tf.random_uniform((100,300),-init,init),dtype=tf.float32)initialize=tf.initialize_all_variables()我像这样在训练开始时初始化变量。session.run(initialize,feed_dict={init:0.5})这给了我以下错误:V
使用tensorboard--logdir=/home/vagrant/notebook启动tensorboard在tensorboard:6006>图表中，它说没有找到图表定义文件。要存储图表，请创建一个tf.python.training.summary_io.SummaryWriter并通过构造函数或调用其add_graph()方法传递图表。importtensorflowastfsess=tf.Session()writer=tf.python.training.summary_io.SummaryWriter("/home/vagrant/notebook",sess.gra
我正在使用tensorflow1.10Python3.6我的代码基于预制的irisclassificationmodel由TensorFlow提供。这意味着，我使用的是TensorflowDNN预制分类器，具有以下区别:10个特征而不是4个。5节课而不是3节课。测试和训练文件可以从以下链接下载:https://www.dropbox.com/sh/nmu8i2i8xe6hvfq/AADQEOIHH8e-kUHQf8zmmDMDa?dl=0我编写了一个代码将这个分类器导出为tflite格式，但是python模型中的准确度高于75%，但是当导出时准确度大约下降到45%，这意味着大约30%的
我正在尝试在具有64个CPU的CentOS7机器上同时运行多个TensorFlowsession。我的同事报告说，他可以使用以下两个代码块在他使用4个内核的机器上产生并行加速:mnist.pyimportnumpyasnpimportinput_datafromPILimportImageimporttensorflowastfimporttimedefmain(randint):print'Setnewseed:',randintnp.random.seed(randint)tf.set_random_seed(randint)mnist=input_data.read_data_s
