我想在TensorFlow中使用批量标准化。我在core/ops/nn_ops.cc中找到了相关的C++源代码.但是，我没有在tensorflow.org上找到它。BN在MLP和CNN中有不同的语义，所以我不确定这个BN到底是做什么的。我也没有找到名为MovingMoments的方法。 最佳答案 2016年7月更新在TensorFlow中使用批量标准化的最简单方法是通过contrib/layers中提供的高级接口(interface)。,tflearn,或slim.如果你想DIY，上一个答案:自发布以来，文档字符串已得到改进-请参阅

我正在将我的Caffe网络移植到TensorFlow，但它似乎没有xavier初始化。我正在使用truncated_normal但这似乎使它更难训练。 最佳答案 从0.8版开始有一个Xavier初始化器，seehereforthedocs.你可以这样使用:W=tf.get_variable("W",shape=[784,256],initializer=tf.contrib.layers.xavier_initializer()) 关于python-如何在TensorFlow上进行Xav

我安装了带有Tensorflow后端和CUDA的Keras。我有时想按需强制Keras使用CPU。不用说在虚拟环境中安装单独的仅CPU的Tensorflow就可以做到这一点吗？如果有怎么办？如果后端是Theano，则可以设置标志，但我还没有听说过可以通过Keras访问的Tensorflow标志。 最佳答案 如果你想强制Keras使用CPU方式1importosos.environ["CUDA_DEVICE_ORDER"]="PCI_BUS_ID"#seeissue#152os.environ["CUDA_VISIBLE_DEVICE

根据我目前收集到的信息，有几种不同的方法可以将TensorFlow图转储到文件中，然后将其加载到另一个程序中，但我无法找到关于它们如何工作的清晰示例/信息.我已经知道的是:使用tf.train.Saver()将模型的变量保存到检查点文件(.ckpt)中并稍后恢复它们(source)将模型保存到.pb文件中，然后使用tf.train.write_graph()和tf.import_graph_def()(source)从.pb文件加载模型，重新训练，然后使用Bazel(source)将其转储到新的.pb文件中卡住图表以将图表和权重一起保存(source)使用as_graph_def()保

我在许多使用TensorFlow实现的可用神经网络代码中发现，正则化项通常是通过手动向损失值添加一个附加项来实现的。我的问题是:有没有比手动进行更优雅或推荐的正则化方式？我还发现get_variable有一个参数regularizer。应该如何使用？根据我的观察，如果我们向它传递一个正则化器(例如tf.contrib.layers.l2_regularizer，一个表示正则化项的张量将被计算并添加到一个名为tf.GraphKeys.REGULARIZATOIN_LOSSES。TensorFlow会自动使用该集合(例如，优化器在训练时使用)吗？还是希望我自己使用该集合？

我在Ubuntu14.04上安装了GPU版本的tensorflow。我在一个GPU服务器上，tensorflow可以在该服务器上访问可用的GPU。我想在CPU上运行tensorflow。通常我可以使用envCUDA_VISIBLE_DEVICES=0在GPU编号上运行。0.如何在CPU之间进行选择？我对用withtf.device("/cpu:0"):重写我的代码不感兴趣 最佳答案 也可以设置环境变量为CUDA_VISIBLE_DEVICES=""无需修改源代码。 关于python-如何

我正在尝试理解tf.nn.avg_pool、tf.nn.max_pool、tf.nn.conv2d中的strides参数。documentation反复说strides:Alistofintsthathaslength>=4.Thestrideoftheslidingwindowforeachdimensionoftheinputtensor.我的问题是:4+个整数分别代表什么？为什么卷积网络必须有strides[0]=strides[3]=1？在thisexample我们看到tf.reshape(_X,shape=[-1,28,28,1])。为什么是-1？遗憾的是，文档中使用-1进行

据我所知，Variable是制作变量的默认操作，get_variable主要用于权重共享。一方面，有些人建议在需要变量时使用get_variable而不是原始的Variable操作。另一方面，我只是在TensorFlow的官方文档和演示中看到了get_variable的任何使用。因此，我想了解一些关于如何正确使用这两种机制的经验法则。有什么“标准”原则吗？ 最佳答案 我建议始终使用tf.get_variable(...)-如果您需要在任何时候共享变量，这将使重构代码变得更加容易，例如在多GPU设置中(请参阅多GPUCIFAR示例)。

我所说的调试信息是指TensorFlow在我的终端中显示的有关已加载库和找到的设备等的信息，而不是Python错误。Itensorflow/stream_executor/dso_loader.cc:105]successfullyopenedCUDAlibrarylibcublas.solocallyItensorflow/stream_executor/dso_loader.cc:105]successfullyopenedCUDAlibrarylibcudnn.solocallyItensorflow/stream_executor/dso_loader.cc:105]succe

我有一个使用分布式TensorFlow的计划，我看到TensorFlow可以使用GPU进行训练和测试。在集群环境中，每台机器可能有0个或1个或更多GPU，我想在尽可能多的机器上将我的TensorFlow图运行到GPU中。我发现在运行tf.Session()时，TensorFlow会在日志消息中提供有关GPU的信息，如下所示:Itensorflow/core/common_runtime/gpu/gpu_init.cc:126]DMA:0Itensorflow/core/common_runtime/gpu/gpu_init.cc:136]0:YItensorflow/core/comm