关闭。这个问题不符合StackOverflowguidelines.它目前不接受答案。我们不允许提问寻求书籍、工具、软件库等的推荐。您可以编辑问题，以便用事实和引用来回答。关闭4年前。Improvethisquestion似乎为了充分使用TensorFlow和相关库，我需要从Python访问它。使用TensorFlow需要构建相当复杂的图形，Python帮助程序库(例如Keras)以复杂的方式自动执行这些图形。我看不到直接从.NET执行此操作的方法。参见例如respectiveGitHubdiscussionaboutC#support.我的想法是:主C#应用程序将调用一个Python
我对Python、机器学习和TensorFlow还是个新手，但我会尽我最大的努力直接进入。不过，我需要一些帮助。我的数据目前在Pandas数据框中。如何将其转换为TensorFlow对象？我试过了dataVar_tensor=tf.constant(dataVar)depth_tensor=tf.constant(depth)但是，我得到错误[15780行x9列]-得到形状[15780,9]，但想要[]。我确信这可能是一个简单的问题，但我真的需要帮助。非常感谢附言。我在Windows10上使用AnacondaPython3.5运行tensorflow0.12
我有一个长度为t(x0,...,xt)的时间序列，其中每个xi都是一个d维向量，即xi=(x0i,x1i,....,xdi)。因此我的输入X的形状为[batch_size,d]tensorflowLSTM的输入大小应为[batchSize,hidden_size]。我的问题是我应该如何将我的时间序列输入到LSTM中。我想到的一种可能的解决方案是具有大小为[d,hidden_size]的附加权重矩阵W，并使用X*W+B输入LSTM。这是正确的还是我应该向网络输入其他内容？谢谢 最佳答案 您的直觉是正确的；您需要的(以及您所描述
我是Tensorflow的新手，我正在尝试构建能够对我的图像执行OCR的模型。我必须阅读9个字符(固定在所有图像中)、数字和字母。我的模型将与此类似https://matthewearl.github.io/2016/05/06/cnn-anpr/我的问题是，我是否应该先针对每个字符训练我的模型，然后组合字符以获得完整的标签表示。或者我应该直接训练全标签？我知道我需要传递给模型，图像+相应图像的标签，这些标签的格式是什么，是文本文件吗，我对那部分有点困惑，所以关于标签格式的任何解释都是传递给模型会有帮助吗？我很感激，谢谢。 最佳答案
我正在尝试在tensorflow中定义一个自定义操作，其中有一点我需要构建一个矩阵(z)，该矩阵将包含两个矩阵的行对的所有组合的总和(x和y)。一般来说，x和y的行数是动态的。在numpy中它相当简单:importnumpyasnpfromitertoolsimportproductrows_x=4rows_y=2dim=2x=np.arange(dim*rows_x).reshape(rows_x,dim)y=np.arange(dim*rows_y).reshape(rows_y,dim)print('x:\n{},\ny:\n{}\n'.format(x,y))z=np.zero
我想在我导出的Keras模型中包含我的自定义预处理逻辑，以便在TensorflowServing中使用。我的预处理执行字符串标记化并使用外部字典将每个标记转换为索引以输入到嵌入层:fromkeras.preprocessingimportsequencetoken_to_idx_dict=...#readfromfile#CustomPythonicpre-processingstepsoninput_datatokens=[tokenize(s)forsininput_data]token_idxs=[[token_to_idx_dict[t]fortints]fortsintoke
在tensorflow中，有一种叫做softmax_cross_entropy_with_logits的方法和sampled_softmax_loss.我阅读了tensorflow文档并在google上搜索了更多信息，但我找不到不同之处。在我看来，两者都使用softmax函数计算损失。使用sampled_softmax_loss计算损失loss=tf.reduce_mean(tf.nn.sampled_softmax_loss(...))使用softmax_cross_entropy_with_logits计算损失loss=tf.reduce_mean(tf.nn.softmax_cr
deftrain():#Modelmodel=Model()#Loss,Optimizerglobal_step=tf.Variable(1,dtype=tf.int32,trainable=False,name='global_step')loss_fn=model.loss()optimizer=tf.train.AdamOptimizer(learning_rate=TrainConfig.LR).minimize(loss_fn,global_step=global_step)#Summariessummary_op=summaries(model,loss_fn)withtf
我正在调整cifar10convolutionexample我的问题。我想将数据输入从一个从文件中一次读取一个图像的设计更改为在内存中的一组图像上运行的设计。原始的inputs()函数如下所示:read_input=cifar10_input.read_cifar10(filename_queue)reshaped_image=tf.cast(read_input.uint8image,tf.float32)#Cropthecentral[height,width]oftheimage.resized_image=tf.image.resize_image_with_crop_or_p
我正在使用tensorflow的imageNettrainedmodel提取最后一个池化层的特征作为新图像数据集的表示向量。模型对新图像的预测如下:pythonclassify_image.py--image_filenew_image.jpeg我编辑了main函数，这样我就可以获取一个图像文件夹并立即返回对所有图像的预测，并将特征向量写入csv文件中。这是我的做法:defmain(_):maybe_download_and_extract()#image=(FLAGS.image_fileifFLAGS.image_fileelse#os.path.join(FLAGS.model_
