图形断开:无法获取层"input_1“处的张量张量(”input_1:0“，shape=(None，299,299，3)，dtype=float32)的值
图形断开是指在深度学习模型中，无法获取某一层的张量张量的值。具体来说，在这个问答内容中，无法获取层"input_1"处的张量张量("input_1:0"，shape=(None，299,299，3)，dtype=float32)的值。
这个问题可能出现在模型训练或推理过程中，可能是由于模型的输入数据不符合预期的形状或类型，或者是模型的定义中存在错误。解决这个问题的方法取决于具体的情况，下面是一些可能的解决方案：
- 检查输入数据的形状和类型：确保输入数据的形状和类型与模型定义中的期望一致。在这个例子中，输入数据的形状应该是(None，299,299，3)，dtype应该是float32。如果输入数据不符合要求，可以对数据进行预处理或调整模型的输入层。
- 检查模型定义：确保模型的定义正确无误。检查模型的输入层是否正确设置，并且与实际输入数据的形状和类型相匹配。如果模型定义中存在错误，可以修改模型定义或重新定义模型。
- 检查模型的加载和使用过程：如果问题发生在模型加载或使用的过程中，可以检查加载模型的代码和使用模型的代码，确保没有遗漏或错误的步骤。
- 调试和日志记录：在代码中添加适当的调试和日志记录语句，以便在出现问题时能够更好地追踪和定位错误。
腾讯云提供了一系列的云计算产品和服务，可以帮助开发者构建和部署各种类型的应用。以下是一些与图形断开问题相关的腾讯云产品和服务：
- 腾讯云AI开放平台：提供了丰富的人工智能服务和工具，包括图像识别、语音识别、自然语言处理等，可以帮助解决图形断开问题中的图像处理和分析需求。详情请参考：腾讯云AI开放平台
- 腾讯云容器服务：提供了基于Kubernetes的容器管理服务，可以帮助开发者快速部署和管理容器化应用，包括深度学习模型。详情请参考：腾讯云容器服务
- 腾讯云函数计算：提供了无服务器计算服务，可以帮助开发者以事件驱动的方式运行代码，适用于处理图像、视频等多媒体数据。详情请参考：腾讯云函数计算
请注意，以上提到的腾讯云产品和服务仅供参考，具体的解决方案和产品选择应根据实际需求和情况进行评估和决策。
相关·内容
我正在为每个用例使用一些自定义网络框来构建一个小型网络，如下所示：
def top_block(dropout = None, training = None):
# scaled input
input_1 = tf.keras.Input(shape=(1,15), dtype='float32')
input_2 = tf.keras.Input(shape=(1,15), dtype='float32')
if dropout:
layer_one = tf.keras.layers.D
浏览 3提问于2020-08-20得票数 0
我有一个用EfficientNetB6训练的CNN模型。我的任务是通过删除最后一个密集层来提取这个训练模型的特征，然后使用这些权重来训练一个boosting模型。我之前使用Pytorch做到了这一点，并且能够从我感兴趣的层中提取权重，并在我的验证集上预测，然后增强。 我现在在tensorflow中做这件事，但目前卡住了。下面是我的模型结构，我试着在网站上使用代码，但没有任何运气。 ? 我想删除最后一个密集层，并使用剩余的层对验证集进行预测。 我尝试使用： layer_name = 'efficientnet-b6‘intermediate_layer_model =tf.kera
浏览 40提问于2020-07-24得票数 1
回答已采纳
我正在尝试创建一个使用Keras的tensorflow模型，它与Google的机器学习引擎兼容。我有一个现有的经过训练的Keras模型，它接受向量浮点输入。我在现有模型的前面引入了一个字符串向量输入层。这将传递要预处理的字符串。我试图使用Lambda层对图像数据进行预处理。在预处理过程中，为了解码字符串jpeg数据，我需要从张量中删除批处理维度。预处理之后，我需要重新引入“无”批处理维度。这就是我要面对的问题。似乎没有办法重新引入“无”作为批处理维度。Google引擎要求批处理维度在整个模型中始终是未知的。
Tensorflow版本: 1.12 Keras版本: 2.2.4 OS: Debia
浏览 1提问于2019-03-27得票数 1
回答已采纳
我的问题相当简单，但似乎没有得到解决。
输入：(bs，timesteps，input_dim) ->张量(“堆栈:0”，shape=(?，4，400)，dtype=float32)
层：output = LSTM(100，input_shape = (timesteps，input_feature)，return_sequence = True) (输入)
Expect：(bs，timesteps，output_dim) ->张量(“gru_20/transpose_1:0”，shape=(?，4，100)，dtype=float32)
输出：张量(“gru_20/transpos
浏览 0提问于2018-10-05得票数 0
回答已采纳
2回答
我试图扩展维度：
import tensorflow as tf
inp = tf.keras.layers.Input(shape=(1,))
inp = inp[..., tf.newaxis]
decoder_input = inp
output = tf.concat([inp, decoder_input], 1)
model = tf.keras.models.Model(inp, output )
但我在最后一行中发现了一个错误：
异常已经发生: ValueError图断开:无法获得张量张量(“input_1:0”，shape=(无，1)，dtype=float32)在"
浏览 4提问于2020-12-02得票数 1
回答已采纳
我正在尝试使用基于Keras 2的incepctionV3训练模型来预测用于测试的图像。我最初的模型运行良好，然后尝试用指定的input_shape (299,299,3)创建一个模型。
base_model = InceptionV3(weights='imagenet', include_top=False, input_shape=(299,299,3))
训练过程看起来很好，但是当我试图用它来预测图像时，它会导致这个错误。
ValueError:当检查时出错:期望input_1具有形状(无，299,299，3)，但得到了形状数组(1,229,229，3)
浏览 0提问于2017-08-11得票数 0
回答已采纳
我正在尝试将热图用于Xception模型(具有修改的顶层)：
import tensorflow as to
import cv2
import numpy as np
label = 1
IMAGE_PATH = '/home/piyush/Desktop/HV/hv_2/deep-viz-keras/images/doberman.png'
img = tf.keras.preprocessing.image.load_img(IMAGE_PATH, target_size=(299, 299))
img = tf.keras.preprocessing.image.im
浏览 59提问于2020-05-29得票数 2
我有一个Keras张量的特征映射的大小(无，256,256,128)获得的卷积后，输入图像的大小(无，256,256，3)。另一个输入张量(索引张量)的大小(None，128)包含0到127之间的整数。我希望使用索引张量的索引从第一个Keras张量中选择一个特征映射(通道)的子集。我使用以下代码：
x = Input(shape=(256,256,3), name='input_image')
ind = Input(shape=(128,), name='index')
c1 = Conv2D(128, 3, padding = 'same',
浏览 9提问于2022-05-21得票数 0
在正常代码中，我会这样做，一切都很好：
from keras.layers import Input, Dense
from keras.models import Model
import keras.backend as K
import numpy as np
import tensorflow as tf
from sklearn.datasets import make_blobs
X, y = make_blobs(500,50,2)
def make_network1():
input_layer = Input((50,))
layer1 = Dense(1
浏览 1提问于2018-12-31得票数 3
回答已采纳
我想计算张量中每个元素相对于观察张量列表的梯度。
当我在y上直接使用Gradient磁带的y时，生成的dy_dx具有y的维度。例如：
x = [ tf.constant(3.0), tf.constant(4.0), tf.constant(5.0) ]
with tf.GradientTape(persistent=True) as g:
g.watch(x)
y_as_list = [ x[0]*x[1]*x[2], x[0]*x[1]*x[2]*x[0] ]
y_as_tensor = tf.stack(y_as_list, axis=0)
print("
浏览 5提问于2022-03-07得票数 1
回答已采纳
1回答
我训练了模型(直接从网站复制粘贴)，并用model.save()保存了它。现在，我想使用它来对生成的图像进行分类，以便保存它们并将它们重塑为28x28像素，然后尝试将它们提供给模型，如下所示：
from matplotlib import image
img = image.imread('img.png')[:,:,:1] #so that the shape ends up being (28,28,1)
print(self.model.predict(img))
但是当我运行这个程序时，我会发现一些错误：
警告:tensorflow:模型是为输入张量(“input_1
浏览 4提问于2020-07-09得票数 0
回答已采纳
我需要为我的模型提供一个float32张量。我需要使用expandDims(tensor, axis=0)将其形状从[240, 320, 3]更改为[1, 240, 320, 3]。但是，expandDims()操作似乎将我的张量转换为int32。
当我对这个张量执行cast(tensor, "float32")时，cast操作似乎将我的张量压缩回[240, 320, 3]。
image_v = (tf.cast(image_raw, "float32") / 255.0) - 0.5;
image_v = tf.expandDims(image_raw, 0)
浏览 1提问于2019-06-28得票数 0
回答已采纳
我希望在张量'a‘的特定列(由cols提供)上添加一个张量'b’。
因此，在下面的例子中，我希望在批处理的每个元素的第一列和最后一列中添加张量'b‘。
b = tf.Tensor: shape=(2,), dtype=float32, numpy=array([10., 10.], dtype=float32)
a = tf.Tensor: shape=(2, 2, 5), dtype=float32, numpy=
array([[[ 0., 1., 2., 3., 4.],
[ 5
浏览 23提问于2022-03-18得票数 1
1回答
我的网络有多个输入，其中一个输入是网络中用于索引到其他张量的索引。
我有问题用张量作为指数。
class MemoryLayer(tf.keras.layers.Layer):
def __init__(self, memory_size, k, **kwargs):
super().__init__(kwargs)
self.memory_size = memory_size
self.k = k
def build(self,input_shape):
# Set up the memory_var
# Shape of input is [
浏览 2提问于2021-04-26得票数 1
回答已采纳
环境:Keras2.2.5，TensorFlow 1.12.0后端
我在终端中输入了以下代码，注意到分配变量的名称中的数字一直在增加。由于Tf1.x使用静态图，所以我怀疑在此过程中创建的张量是否存在，直到我用K.clear_session()重置默认图为止。我猜对了吗？还是垃圾收集器自动破坏张量？
>>> import keras.backend as K
>>> a = K.constant(1.0)
>>> a = K.constant(2.0)
>>> a
<tf.Tensor 'Const_1:0&#
浏览 2提问于2019-11-16得票数 0
回答已采纳
1回答
for i in range(y_word_max_len):
sub_decoder_input = gather(main_decoder,(i))
# print(sub_decoder_input)
sub_decoder_input_repeated = RepeatVector(y_char_max_len)(sub_decoder_input)
sub_decoder = LSTM(256,return_sequences=True,name='sub_decoder')(sub_decoder_input_repeated)
浏览 4提问于2017-11-16得票数 1
回答已采纳
我试图理解这段代码(来自)，它使用两个张量之间的矩阵乘法来实现点积注意。具体来说，来自Keras后端的batch_dot()函数是在变量第一维的两个张量之间使用的。在这种情况下，batch_dot()的执行方式似乎与指定第一个维度时不同。
MWE：
固定第一维，按预期工作
q = K.ones(shape=(36,8,24))
k = K.ones(shape=(36,8,24))
print(K.batch_dot(q,k,axes=[1,1]))
返回
Tensor("MatMul_8:0", shape=(?, 36, 24, 24), dtype=float32)
和,
浏览 2提问于2019-01-06得票数 4
回答已采纳
背景：I有两个顺序模型，它们形成一个单一模型，格式如下
model = Sequential([seq_model1, seq_model2])
seq_model1的输出是预先确定的，因此它是tf.Tensor(shape=(None,5), dtype=float32)。因此，seq_model2的输入可以写成keras.layers.Input(shape(5,))。
如何访问Input() seq_model2**?**的层的各个输入元素？
Input()对象充当传入数据的占位符，因此它实际上没有任何可以访问的元素。这是通过以下代码进行验证的：
# Define arbitrary i
浏览 1提问于2022-11-07得票数 0
如果每一行中的元素之和低于阈值-1，如何将行降为张量？例如：
tensor = tf.random.normal((3, 3))
tf.Tensor(
[[ 0.506158 0.53865975 -0.40939444]
[ 0.4917719 -0.1575156 1.2308844 ]
[ 0.08580616 -1.1503975 -2.252681 ]], shape=(3, 3), dtype=float32)
由于最后一行的和小于-1，我需要移除它并得到张量(2，3)：
tf.Tensor(
[[ 0.506158 0.53865975 -0.40939
浏览 5提问于2021-12-20得票数 0
回答已采纳
1回答
是否有一种方法将下面的代码矢量化，以便我可以完全删除循环？
x = tf.constant([[[1,2,3],[2,3,4]],[[1,2,3],[2,3,5]]])
t=tf.eye(x.shape[1])[:,:,None]
for i in range(x.shape[0]):
out = tf.multiply(t,x[i].numpy())
out=tf.reshape(out, shape=(out.shape[0], out.shape[-1]*out.shape[-2]))
print(out)
简而言之:如何将三维张量乘以三维张量的每个元素？在我的例
浏览 1提问于2020-03-24得票数 1
回答已采纳
我正在尝试按照中给出的例子来构建自动编码器模型。
input_img = Input(shape=(784,))
encoded = Dense(128, activation='relu')(input_img)
encoded = Dense(64, activation='relu')(encoded)
encoded = Dense(32, activation='relu')(encoded)
decoded = Dense(64, activation='relu')(encoded)
decoded = Dense(
浏览 0提问于2016-12-04得票数 2
我正在尝试下面的代码来保存和加载TF，该模型有一个以initial_states作为输入的LSTM层。但是当我试图加载模型时，我得到了错误
ValueError__：lstm层期望有1个输入，但它接收到3个输入张量。接收到的输入：<tf.Tensor‘reshape_1/标识:0’shape=(无，5，5) dtype=float32>，<tf.Tensor‘稠密_2/标识:0’shape=(无，5) dtype=float32>，<tf.Tensor‘稠密_2/标识:0’shape=(无，5) dtype=float32>
有任何方法来加载LSTM初始状态
浏览 1提问于2020-11-23得票数 0
1回答
我找不到如何用另一个张量数据代替部分张量数据。在深入研究之后，我看到了很多关于张量不是可分配数据的报告；建议了一些解决办法，比如()。
让我举一个简单的例子来说明我所寻找的东西。我有两批，如下：
x=·tf.random.uniform((2,3,2))
y= tf.random.uniform((2,3,2))
print (x)
print ('===================')
print (y)
上述两批产品的输出如下：
<tf.Tensor: shape=(2, 3, 2), dtype=float32, numpy=
array([[[0.171301
浏览 2提问于2021-12-18得票数 2
回答已采纳
我正在研究一个序列到序列模型的Keras示例。
在这个例子中，他们从输入张量建立一个模型。
encoder_inputs = Input(shape=(None, num_encoder_tokens))
model = Model([encoder_inputs, decoder_inputs], decoder_outputs)
print(encoder_inputs)
产出：
Tensor("input_1:0", shape=(?, ?, 71), dtype=float32)
一旦建立了模型，是否有方法从模型中检索输入张量？与…有关的东西
encoder_inpu
浏览 0提问于2018-10-12得票数 5
回答已采纳
我有一个关于深入学习角角的问题。我编写了一个自定义数据生成器，因为我内存不足，我需要用x加载x样本进行训练，因为我使用的是尺寸很大的漂亮图像。我尝试过这个论坛的几种解决方案，但由于它们是3d图像，所以不能在我的模型中使用。问题出现在抛出错误的训练命令(fit)中：
ValueError:层"3dcnn“需要一个输入，但它收到了16个输入张量。收到的投入：<tf.Tensor 'IteratorGetNext:0‘shape=(无，208,150，10) dtype=float32>，<tf.Tensor 'IteratorGetNext:1’shap
浏览 5提问于2022-09-23得票数 1
我想实现一个复杂的模型，但它不起作用，并且停留在输入层。我已经简化了代码，下面是一个示例：
from keras.layers import *
from keras.models import Model
from keras import backend as K
def build_model():
label_num = 4
max_len = 50
# shape = (B, label_num, max_len)
label_inputs = Input((label_num, max_len))
# shape = (B*label_n
浏览 0提问于2021-01-31得票数 0
from keras.models import load_model
import h5py
# sq_model.save_weights('sq_model_weights.h5')
# res_model.save_weights('res_model_weights.h5')
# model.save('my_model.h5')
# dense_model.save_weights('dense_model_v3_weights.h5')
sq_model.load_weights('sq_model
浏览 7提问于2018-03-02得票数 2
我需要做点这样的事：
x = Input(shape=(img_height, img_width, img_channels))
x1 = Add()([x, 127.5])
x2 = Multiply()(x1, -127.5])
但是，错误出现了：
ValueError: Layer add_1 was called with an input that isn't a symbolic tensor. Received type: <class 'float'>. Full input: [<tf.Tensor 'input_1:0&#
浏览 0提问于2018-07-26得票数 3
1回答
在某些情况下，tensorflow似乎能够在图形创建时检查张量的值，而在其他情况下，这是失败的。
>>> shape = [constant([2])[0], 3]
>>> reshape([1,2,3,4,5,6], shape)
<tf.Tensor 'Reshape_13:0' shape=(2, 3) dtype=int32>
>>> zeros(shape)
<tf.Tensor 'zeros_2:0' shape=(?, 3) dtype=float32>
在上面的示例中，
浏览 0提问于2018-03-01得票数 4
回答已采纳
我有一个具有形状的float32张量的Keras图(?，224,224，3)，我想导出到Tensorflow服务，以便用RESTful进行预测。问题是我不能输入张量，而是编码b64字符串，因为这是REST的一个限制。这意味着在导出图形时，输入必须是需要解码的字符串。
我如何“注入”新输入，将其转换为旧张量，而不重新训练图形本身？我已经尝试过几个例子，。
我目前有以下导出代码：
image = tf.placeholder(dtype=tf.string, shape=[None], name='source')
signature = predict_signature_d
浏览 0提问于2018-08-07得票数 3
回答已采纳
我有两个标量，由以下操作产生：a = tf.reduce_sum(tensor1)，b = tf.matmul(tf.transpose(tensor2), tensor3)这是一个点积，因为tensor2和tensor3具有相同的维度(一维向量)。由于这些张量具有形状[None, dim1]，因此很难处理这些形状。
我想使用a和b构建一个形状为(2,1)的张量。
我尝试了tf.Tensor([a,b], dtype=tf.float64, value_index=0)，但出现了错误
TypeError: op needs to be an Operation: [<tf.Tensor
浏览 1提问于2017-05-19得票数 1
在Tf1.x中，可以使用自定义变量构建层。下面是一个例子：
import numpy as np
import tensorflow as tf
def make_custom_getter(custom_variables):
def custom_getter(getter, name, **kwargs):
if name in custom_variables:
variable = custom_variables[name]
else:
variable = getter(name, **kw
浏览 8提问于2019-10-07得票数 6
回答已采纳
1回答
我正在尝试用VGG16编码器构建一个U型网络模型.这是模型代码。
from keras.applications.vgg16 import VGG16
base_pretrained_model = VGG16(input_shape = shape, include_top = False, weights = 'imagenet')
base_pretrained_model.trainable = False
base_pretrained_model.summary()
inp = Input(shape=shape,name = 'image_input&#
浏览 5提问于2019-11-28得票数 0
回答已采纳
我正面临着tensorFlow的麻烦。执行下列代码
import tensorflow as tf
import input_data
learning_rate = 0.01
training_epochs = 25
batch_size = 100
display_step = 1
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
# tensorflow graph input
X = tf.placeholder('float', [None, 784]) # mnist
浏览 6提问于2017-01-17得票数 35
2回答
如何获得每一批图像的平均值？
、、、、
我有一批图像，因此形状[None, 256, 256, 3] (为了实用目的，该批处理设置为none )。
我正在尝试实现一个层，该层计算批处理中每个图像或帧的平均值，以得到形状[None, 1]或[None, 1, 1, 1]。我已经检查了使用，但显然它计算了整个批，返回一个相同形状的张量。
事后看来，我尝试实现以下自定义层：
class ElementMean(tf.keras.layers.Layer):
def __init__(self, **kwargs):
super(ElementMean, self).__init__(**kwargs)
浏览 10提问于2022-11-16得票数 1
回答已采纳
1回答
我正在尝试使用自定义的yolov4暗网模型在web应用程序中进行检测，该模型已按照以下步骤转换为tensorflow：
然后，按照以下步骤将模型转换为tensorflow.js：
我的问题是，模型无法预测，当我尝试进行预测时，我得到了输出张量：
张量{kept: false，isDisposedInternal: false，shape: Array(3)，type：
'float32', size: 0, …}
dataId: {id: 1725}
dtype: "float32"
id: 947
isDisposedInternal: false
kept:
浏览 7提问于2022-03-23得票数 0
我已经在Keras中创建了一个自定义层(称为GraphGather)，但是输出张量输出如下：
张量(图_聚集/Tanh:0，shape=(?，?)，dtype=float32)
由于某些原因，形状作为(?，?)返回，这将导致下一个密集层引发以下错误：
ValueError:应该定义Dense输入的最后一个维度。找到了None。
GraphGather层代码如下：
class GraphGather(tf.keras.layers.Layer):
def __init__(self, batch_size, num_mols_in_batch, activation_fn=
浏览 0提问于2018-06-25得票数 5
例如，我不得不做张量。
A = tf.Tensor(
[[1.0986123 0.6931472 0. 0.6931472 0. ]
[0. 0. 0. 0. 0. ]
[3.7376697 3.7612002 3.7841897 3.8066626 3.8286414]], shape=(3, 5), dtype=float32)
B = tf.Tensor(
[[2 1]
[2 2]], shape=(2, 2), dtype=int6
浏览 0提问于2018-11-04得票数 2
回答已采纳
2回答
使用TensorFlow (1.13.1)中的多层/堆叠RNN的初始状态所需的结构是什么？
我尝试了以下几点：
lstm_cell_sizes = [256, 256, 256]
lstm_cells = [tf.keras.layers.LSTMCell(size) for size in lstm_cell_sizes]
state_init = [tf.placeholder(tf.float32, shape=[None] + cell.state_size) for cell in lstm_cells]
tf.keras.layers.RNN(lstm_cells, ...)(
浏览 0提问于2019-04-19得票数 5
1回答
当我打算用常数张量乘以角输出时，我遇到了一个问题？这是我的密码
a = tf.constant(ws, "float32")
output4 = AveragePooling3D(pool_size=(X_shape[0], 1, 1), strides = None, padding='valid')(output3)
output5 = Conv3D(filters=X_shape[3], kernel_size=(1, 1, 1),padding='same',data_format='channels_last')(o
浏览 3提问于2020-04-14得票数 0
2回答
我得到了一个模型的预构建Keras层列表，如下：
def build_model(layers):
我想构建一个Keras函数API模型a：
model = Model(inputs, outputs)
为了达到这个目的，我用了：
inputs = list()
outputs = list()
for layer in layers:
if isinstance(layer, keras.layers.Input):
inputs.append(layer)
else:
outputs.append(layer)
但问题是，预先构建的Keras
浏览 0提问于2020-02-20得票数 1
回答已采纳
类似的帖子：--首先，这两个帖子如果不是相同的话，也是相似的。我试图实现这些都是徒劳的。所以，我错过了一些东西，可能是因为我在Keras方面缺乏经验。，
问题：我有一个数据生成器来将数据输入到各种模型中，以评估模型性能和学习Keras。
model.fit_generator(generator=img_gen.next_train(), ....
这个生成器产生的输入之一是shape=batch_size，num_letters的张量“标签”。这个张量是第一个输入
K.ctc_batch_cost(labels, ....
类似于第369行。
上面的"keras示例“创建了一个RN
浏览 2提问于2019-09-29得票数 2
回答已采纳
我想在Keras中合并一个前向LSTM和一个后向LSTM。后向LSTM的输入阵列不同于前向LSTM的输入阵列。因此，我不能使用keras.layers.Bidirectional。
前向输入是(10，4)。向后的输入是(12，4)，并且在输入到模型之前是反转的。我想在LSTM之后再次将其反向，并将其与正向合并。
简化后的模型如下。
from lambdawithmask import Lambda as MaskLambda
def reverse_func(x, mask=None):
return tf.reverse(x, [False, True, False])
forw
浏览 5提问于2017-07-01得票数 1
2回答
我试图将input_image (它是numpy array.Following的张量)--已经回答的问题和其他几个建议在此转换中使用input_image.eval()或等效sess.run()的问题--进行转换，但是它引发了一个错误，显然期望sess.run()有一个feed_dict值。但是，由于这里我并不试图运行依赖于未知值的操作，所以我认为这里不需要feed_dict，因为这里所做的只是转换。
此外，为了检查，我还尝试使用相同的方法转换一个tf.constant(1,2,3)值，尽管它的数据类型与input_image相同，但还是成功地编译了它。下面是我的代码，它是大型脚本的一部分：
浏览 2提问于2019-11-24得票数 1
回答已采纳
我正在为CNN开发一个功能Keras模型，在R中有一维输入层。
当我运行keras_model函数来构建模型时，我会得到以下错误：
Py_call_impl中的错误(可调用的，点$args，点$关键字)：ValueError:图断开:无法获得张量张量(“main_input_15:0”，shape=(4201,1024)，dtype=float32)在"main_input“层的值。没有问题地访问了以下前几个层：[]
详细跟踪:文件"/Library/Frameworks/Python.framework/Versions/3.7/lib/python3.7/site-pac
浏览 0提问于2019-04-06得票数 0
1回答
一个三维张量的二维张量列表
、、、、
我有一个单词嵌入的句子列表。所以每句话都是16*300中的一个矩阵，所以它是一个2d张量。我想把它们连接到三维张量，并使用这个三维张量作为CNN模型的输入。不幸的是，我不能把它变成三维张量。
在我看来，至少将这两个2d张量通过tf.concat连接到一个较小的三维张量应该是可行的。不幸的是，我收到了以下错误消息
tf.concat(0, [Tweets_final.Text_M[0], Tweets_final.Text_M[1]])
ValueError: Shape (3, 16, 300) must have rank 0
如果它适用于两个2d张量，我可能会用一个循环。
列表中的2d张
浏览 3提问于2020-08-14得票数 2
回答已采纳
2回答
我正在努力解决一个问题，在这个问题中，我需要转换我的张量，这样从总值中，最大值得到1作为值，rest作为0。
tf.Tensor(
[[0.05]
[0.1]
[0.5]
[0.35]],shape=(4,1),dtype = float32)
我试过了
out = tf.sparse_to_dense(tf.argmax(a),tf.cast(tf.shape(a), dtype=tf.int64), tf.reduce_max(a))
但不幸的是，得到一个错误
Input must be a SparseTensor.
我想要输出
tf.Tensor(
浏览 4提问于2020-05-25得票数 2
回答已采纳
我可以得到graph.get_tensor_by_name的张量，但是在tf.global_variable中找不到它。在我的例子中，我将一些tf.Tensor定义为：
output_y = Dense(units=y.shape[1],activation='softmax',kernel_regularizer=regularizers.l2(),bias_regularizer=regularizers.l2(),activity_regularizer=regularizers.l2(),name='output_y_'+str(index))(pret
浏览 0提问于2018-06-26得票数 1
我正在研究一个序列，使用在Keras中使用LSTM层的编码器解码器架构来对文本生成进行序列排序。
我的代码是Keras seq2seq教程：的修改版本。
在对模型进行训练之后，我想建立一个推理模式，在这种模式下，我可以只使用所接受模型的隐藏状态来解码序列，而无需每次对整个模型进行再训练。我正在寻找一种方法将这些隐藏的LSTM状态保存到一个文件中，然后重新加载它们来建立我的推理模型。
模型培训部分的一部分如下所示：
encoder = LSTM(latent_dim, return_state=True)
encoder_outputs, state_h, state_c = encoder(e
浏览 0提问于2019-08-22得票数 0
我试图用形状shape=(30,4200)从一个张量AAA和shape=(30,4201)和type= float32创建两个张量。
在运行几个不同更改的代码后，此错误将再次出现。
如何选择正确的张量形状？
浏览 1提问于2019-08-20得票数 1
回答已采纳
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM
腾讯云开发者
