我正在使用dynamic_rnn处理MNIST数据:#LSTMCelllstm=rnn_cell.LSTMCell(num_units=200,forget_bias=1.0,initializer=tf.random_normal)#Initialstateistate=lstm.zero_state(batch_size,"float")#Getlstmcelloutputoutput,states=rnn.dynamic_rnn(lstm,X,initial_state=istate)#OutputatlasttimepointToutput_at_T=output[:,27,:

我正在使用dynamic_rnn处理MNIST数据:#LSTMCelllstm=rnn_cell.LSTMCell(num_units=200,forget_bias=1.0,initializer=tf.random_normal)#Initialstateistate=lstm.zero_state(batch_size,"float")#Getlstmcelloutputoutput,states=rnn.dynamic_rnn(lstm,X,initial_state=istate)#OutputatlasttimepointToutput_at_T=output[:,27,:

我有一个设置，我需要在使用tf.initialize_all_variables()的主要初始化之后初始化LSTM。IE。我想调用tf.initialize_variables([var_list])有没有办法为两者收集所有内部可训练变量:rnn_cell.BasicLSTMrnn_cell.MultiRNNCell以便我可以初始化仅这些参数？我想要这个的主要原因是我不想重新初始化之前的一些训练值。 最佳答案 解决问题的最简单方法是使用变量范围。范围内的变量名称将以其名称为前缀。这是一个简短的片段:cell=rnn_cell.Bas

我有一个设置，我需要在使用tf.initialize_all_variables()的主要初始化之后初始化LSTM。IE。我想调用tf.initialize_variables([var_list])有没有办法为两者收集所有内部可训练变量:rnn_cell.BasicLSTMrnn_cell.MultiRNNCell以便我可以初始化仅这些参数？我想要这个的主要原因是我不想重新初始化之前的一些训练值。 最佳答案 解决问题的最简单方法是使用变量范围。范围内的变量名称将以其名称为前缀。这是一个简短的片段:cell=rnn_cell.Bas

我已成功训练DNNClassifier对文本(来自在线讨论板的帖子)进行分类。我使用以下代码创建并保存了我的模型:embedded_text_feature_column=hub.text_embedding_column(key="sentence",module_spec="https://tfhub.dev/google/nnlm-de-dim128/1")feature_columns=[embedded_text_feature_column]estimator=tf.estimator.DNNClassifier(hidden_units=[500,100],feature

我已成功训练DNNClassifier对文本(来自在线讨论板的帖子)进行分类。我使用以下代码创建并保存了我的模型:embedded_text_feature_column=hub.text_embedding_column(key="sentence",module_spec="https://tfhub.dev/google/nnlm-de-dim128/1")feature_columns=[embedded_text_feature_column]estimator=tf.estimator.DNNClassifier(hidden_units=[500,100],feature

我尝试从TensorFlow重现LSTMCell生成的结果，以确保我知道它的作用。这是我的TensorFlow代码:num_units=3lstm=tf.nn.rnn_cell.LSTMCell(num_units=num_units)timesteps=7num_input=4X=tf.placeholder("float",[None,timesteps,num_input])x=tf.unstack(X,timesteps,1)outputs,states=tf.contrib.rnn.static_rnn(lstm,x,dtype=tf.float32)sess=tf.Sess

我尝试从TensorFlow重现LSTMCell生成的结果，以确保我知道它的作用。这是我的TensorFlow代码:num_units=3lstm=tf.nn.rnn_cell.LSTMCell(num_units=num_units)timesteps=7num_input=4X=tf.placeholder("float",[None,timesteps,num_input])x=tf.unstack(X,timesteps,1)outputs,states=tf.contrib.rnn.static_rnn(lstm,x,dtype=tf.float32)sess=tf.Sess

我有一个数据集X，它包含N=4000个样本，每个样本包含d=2个特征(连续值)，跨越t=10次步骤。在时间步11，我也有每个样本的相应“标签”，它们也是连续值。目前我的数据集的形状是X:[4000,20]，Y:[4000]。我想使用TensorFlow训练一个LSTM来预测Y的值(回归)，给定d特征的10个先前输入，但我很难在TensorFlow中实现这一点。我目前遇到的主要问题是了解TensorFlow如何期望输入被格式化。我见过各种例子，例如this，但这些示例处理一大串连续的时间序列数据。我的数据是不同的样本，每个样本都是独立的时间序列。 最佳答案

我有一个数据集X，它包含N=4000个样本，每个样本包含d=2个特征(连续值)，跨越t=10次步骤。在时间步11，我也有每个样本的相应“标签”，它们也是连续值。目前我的数据集的形状是X:[4000,20]，Y:[4000]。我想使用TensorFlow训练一个LSTM来预测Y的值(回归)，给定d特征的10个先前输入，但我很难在TensorFlow中实现这一点。我目前遇到的主要问题是了解TensorFlow如何期望输入被格式化。我见过各种例子，例如this，但这些示例处理一大串连续的时间序列数据。我的数据是不同的样本，每个样本都是独立的时间序列。 最佳答案