Tensorflow -来自tf.train.shuffle_batch的下一批数据
TensorFlow是一个开源的机器学习框架，由Google开发和维护。它提供了丰富的工具和库，用于构建和训练各种机器学习模型。TensorFlow的核心是一个用于构建和执行计算图的库，它可以在不同的硬件平台上运行，包括CPU、GPU和TPU。
tf.train.shuffle_batch是TensorFlow中的一个函数，用于从输入数据中随机选择一批数据。它的作用是打乱输入数据的顺序，以增加模型的训练效果。tf.train.shuffle_batch函数可以用于构建输入数据的队列，并从队列中获取下一批数据。
TensorFlow的优势包括：
- 强大的计算能力：TensorFlow支持分布式计算和GPU加速，可以处理大规模的数据和复杂的模型。
- 灵活的模型构建：TensorFlow提供了丰富的API和工具，可以方便地构建各种类型的机器学习模型，包括神经网络、决策树、支持向量机等。
- 高效的模型训练：TensorFlow使用计算图的方式执行计算，可以自动优化计算过程，提高模型训练的效率。
- 跨平台支持：TensorFlow可以在多种硬件平台上运行，包括CPU、GPU和TPU，可以满足不同场景下的需求。
TensorFlow在各种领域都有广泛的应用，包括图像识别、语音识别、自然语言处理、推荐系统等。它可以用于解决各种机器学习和深度学习的问题。
腾讯云提供了一系列与TensorFlow相关的产品和服务，包括云服务器、GPU实例、容器服务、机器学习平台等。您可以通过腾讯云的官方网站了解更多关于这些产品的详细信息和使用方法。
腾讯云相关产品和产品介绍链接地址：
相关·内容
2回答
我使用从tf.train.shuffle_batch调用返回的队列在TensorFlow中进行培训。我曾假设TF在对GPU上的当前批执行计算时会预取下一批。也就是说，我想象出这样一种流动
在CPU上加载批处理A
在GPU上使用批处理A，在CPU上加载批处理B
在GPU上使用批处理B，在CPU上加载批处理C
..。
然而，从跟踪输出来看，情况似乎并非如此：
对于大多数QueueDequeueMany操作，GPU是空闲的。
就像我想象中的TensorFlow一样，如果可能的话:我做错了什么？
浏览 2提问于2016-12-27得票数 0
回答已采纳
我正在阅读Tensorflow文档和Cifar10示例的代码。这一点正在折磨着我的大脑：
# Creates batches of 32 images and 32 labels.
image_batch, label_batch = tf.train.shuffle_batch(
[single_image, single_label],
batch_size=32,
num_threads=4,
capacity=50000,
min_after_dequeue=10000)
我们正在传递一个单一的图像，不知怎么的，一批图像的结果？？这里发生什么事情？
浏览 3提问于2018-01-02得票数 0
回答已采纳
我有一个训练数据文件，大约100 K行，我在每个训练步骤上运行一个简单的tf.train.GradientDescentOptimizer。该设置基本上是直接从Tensorflow的MNIST示例中获取的。守则转载如下：
x = tf.placeholder(tf.float32, [None, 21])
W = tf.Variable(tf.zeros([21, 2]))
b = tf.Variable(tf.zeros([2]))
y = tf.nn.softmax(tf.matmul(x, W) + b)
y_ = tf.placeholder(tf.float32, [None, 2
浏览 1提问于2016-06-25得票数 5
回答已采纳
1回答
我在用TensorFlow采集数据时遇到了困难。我有一堆样本，每个样本由15个不同长度的信号组成。我想从这组随机抽取样本。正确的做法是什么？
当我试图洗牌这批张量时，我得到了这个错误：
ValueError:这两个形状中的维度0必须相等，但与其他形状合并为30和5。输入形状: 1185,1185,7500,7500,15000,15000,150,150，30，30，5，5，5，5，5。
错误发生在这里：
example, label = tf.train.shuffle_batch(
[example, label],
batch_size=batch_size,
浏览 4提问于2017-05-08得票数 3
回答已采纳
我正在尝试使用Tensorflow编写我自己的MNIST数字分类器，并且我被一个tf.train.shuffle_batch函数的奇怪行为困住了。
当我试图从不同的文件中加载图像和标签时，这个问题出现了，洗牌批次似乎要对标签和图像进行单独的洗牌，从而产生错误的标签数据。这些数据取自。
它是shuffle_batch函数的定义行为吗？当数据和标签是不同的文件时，您建议如何处理这种情况？
这是我的密码
DATA = 'train-images.idx3-ubyte'
LABELS = 'train-labels.idx1-ubyte'
data_queue = tf
浏览 3提问于2017-05-23得票数 0
回答已采纳
1回答
批处理看起来比feed_dicts更干净，所以我试着理解Tensorflow中的批处理。
下面的代码块是否在批处理中创建了32个相同的图像，然后提供给队列？
# Creates batches of 32 images and 32 labels.
image_batch, label_batch = tf.train.shuffle_batch(
[single_image, single_label],
batch_size=32,
num_threads=4,
capacity=50000,
min_after_dequeue=
浏览 1提问于2016-09-14得票数 1
回答已采纳
import tensorflow as tf
sess = tf.Session()
def add_to_batch(image):
print('Adding to batch')
image_batch = tf.train.shuffle_batch([image],batch_size=5,capacity=11,min_after_dequeue=1,num_threads=1)
# Add to summary
tf.image_summary('images',image_batch)
retur
浏览 1提问于2016-03-01得票数 3
回答已采纳
在2018年开发峰会上，德里克·穆雷提出了一种将TensorFlow的TensorFlow API与TensorFlow的急切执行模式( 10:54)相结合的方法。我试用了下面所示代码的简化版本：
import tensorflow as tf
tf.enable_eager_execution()
dataset = tf.data.Dataset.from_tensor_slices(tf.random_uniform([50, 10]))
dataset = dataset.batch(5)
for batch in dataset:
print(batch)
导致
TypeE
浏览 1提问于2018-04-04得票数 14
回答已采纳
我是TensorFlow的新手，在尝试理解shuffle_batch() function.When时，我使用shuffle_batch()和下面的代码，它没有打印任何东西。
import tensorflow as tf
sess=tf.Session()
random=tf.random_normal([5],mean=0.0, stddev=1.0)
shu=tf.train.shuffle_batch([sliced], 20, 100, 10)
print(sess.run(shu))
但是在添加start_queue_runners()之后，它给出了预期的输出。那么，
浏览 0提问于2018-10-18得票数 0
我正在将TensorFlow代码从旧的队列接口更改为新的Dataset API。使用旧接口，我可以通过访问图形中的原始计数器来监视实际填充的队列大小，例如：
queue = tf.train.shuffle_batch(..., name="training_batch_queue")
queue_size_op = "training_batch_queue/random_shuffle_queue_Size:0"
queue_size = session.run(queue_size_op)
但是，使用新的Dataset API，我似乎无法在图中找到与队列
浏览 4提问于2017-11-21得票数 4
回答已采纳
我正在使用tensorflow在mnist数据集上进行实践，该数据集有55,000幅培训图像(原始的60,000幅mnist图像中的5,000幅图像被保留用于验证)。
目前，我正在使用tf.TFRecordReader在培训tf.record中阅读，随后使用tf.train.shuffle_batch进行培训输入。这个过程可以在mnist.py中的中的输入函数中找到。
但是，在步骤2720之后，我继续得到以下错误。
tensorflow.python.framework.errors.OutOfRangeError: RandomShuffleQueue '_1_input/shuff
浏览 2提问于2016-07-24得票数 0
回答已采纳
我想训练一个模特。每1000步，我想评估它的测试集，并将它写入张表日志。不过，有个问题。我有这样的密码：
image_b_train, label_b_train = tf.train.shuffle_batch(...)
out_train = model.inference(image_b_train)
accuracy_train = tf.reduce_mean(...)
image_b_test, label_b_test = tf.train.shuffle_batch(...)
out_test = model.inference(image_b_test)
accuracy_
浏览 2提问于2017-04-27得票数 3
回答已采纳
我使用的是Tensorflow的批处理输入管道，它使用tf.train.slice_input_producer并使用tf.train.shuffle_batch从它读取批处理。
问题是，对于简单的模型，每个批处理的完成速度快于输入生产者将下一个批处理从磁盘读取到队列中的速度。磁盘带宽不足。但是，完整的数据集可以放入内存中。
有没有一种方法可以修改Tensorflow生成器以将完整的数据集读取到内存中，而不是从磁盘流传输？
浏览 0提问于2016-11-14得票数 0
我正在研读CIFAR-10的例子。
现在，在cifar10_train.py中的火车函数中，我们得到的图像如下
images,labels = cifar10.distorted_inputs()
在distorted_inputs()函数中，我们在队列中生成文件名，然后将单个记录读取为
# Create a queue that produces the filenames to read.
filename_queue = tf.train.string_input_producer(filenames)
# Read examples from files in the file
浏览 7提问于2016-01-04得票数 8
回答已采纳
我想问一下，使用tensorflow批量读取大型文本数据的正确模式是什么？
下面是一行文本数据。在单个txt文件中有数十亿行这样的数据。
target context label
现在，我正在尝试使用官方文档中推荐的tfrecords。
这是我的方法
filename_queue = tf.train.string_input_producer([self._train_data], num_epochs=self._num_epochs)
reader = tf.TFRecordReader()
_, serialized_example = reader.rea
浏览 4提问于2017-04-04得票数 4
假设我们有20万张标签为“1”的图片，另有20万张标签为“0”的图片依次转换为tensorflow的tfrecord。我试着用tf.train.shuffle_batch()把to记录弄乱了。问题是，如果没有巨大的min_after_dequeue，我无法充分地混洗数据，而如果min_after_dequeue.Is太大，它将耗尽内存，有什么解决方案吗？
谢谢!
浏览 18提问于2017-03-08得票数 0
我有一个输入管道，其中的样本是动态生成的。我使用keras和自定义ImageDataGenerator以及相应的Iterator来获取内存中的示例。假设我的设置中的keras使用的是feed_dict (这个假设对我来说是一个问题)，我正在考虑通过切换到原始的tensorflow + Dataset.from_generator()来加快速度。
--我看到了在最近的Tensorflow中动态生成数据的输入管道的建议解决方案是使用Dataset.from_generator()。
问题：
带有Tensorflow后端的keras使用feed_dict方法吗？
如果我切换到原始的tens
浏览 2提问于2017-09-27得票数 2
回答已采纳
我一整天都在为这个工作，我不认为再来一次会有什么不同！
我有一个.png文件，我用它复制了[ I got to use images with different shapes, but for now I just want to get this starting ] >400份
在这里，我使用跳转到图像的代码作为标签的张量：
import tensorflow as tf
import os
import numpy
batch_Size =20
num_epochs = 100
files = os.listdir("Test_PNG")
files = [
浏览 3提问于2017-06-12得票数 0
回答已采纳
在TensorFlow的Dataset API中，我们可以在GPU处理当前批次的数据时使用dataset.prefetch(buffer_size=xxx)预加载其他批次的数据，因此可以充分利用GPU。
我打算使用Keras，不知道keras是否有类似的API让我可以充分利用图形处理器，而不是串行执行: read batch 0->process batch 0->read batch 1-> process batch 1-> ...
我简单浏览了一下keras应用程序接口，没有看到预取的描述。
浏览 14提问于2018-09-05得票数 13
在使用下面的代码下载了TensorFlow的cats_vs_dogs数据集之后，我试图在Kaggle 2.0上使用图像数据增强生成器来训练模型。
train_datagen = ImageDataGenerator(rescale=1. / 255,
rotation_range=40,
width_shift_range=0.2,
height_shift_range=0.2,
浏览 2提问于2020-02-20得票数 2
我有一个TensorFlow深度学习工作流程，其中我有一个使用常规NumPy构建的相当简单的数据读取和输入管道；但是我看到TensorFlow提供了大量用于加载数据和构建数据管道的功能。我想知道这些目标是什么情况。似乎有两个：
学习涉及到非常大的真实世界数据集，以及
与一起构建的网络。
似乎使用的好处(例如tf.train.shuffle_batch之类的函数，甚至像tf.one_hot这样的简单助手)也适用于前者，而的大部分文档似乎只针对后者。
在我的例子中，我使用的文件可以很容易地使用标准Python读取，并且可以一次有效地加载到内存中，简单地使用np.array可以正常工
浏览 0提问于2017-07-29得票数 2
如中所述
tensorflow文档没有提供如何在评估集上对模型执行定期评估的任何示例。
接受的答案建议使用实验(这是不推荐的)。
我在网上发现的关于使用方法的所有信息。但是，我仍然不知道如何在这两个过程之间切换(训练和评估)。我尝试了以下几点：
estimator = tf.estimator.Estimator(
model_fn=model_fn,
params=hparams,
model_dir=model_dir,
config = tf.estimator.RunConfig(
save_checkpoints_steps =
浏览 1提问于2018-04-02得票数 14
我正在使用tensorflow来训练一个递归的神经网络来记录音频记录。数据相当大，所以我希望将数据存储为to记录，并通过输入管道(类似于cifar10_input.py)提供数据。但是，由于我的光谱图将作为RNN的输入，因此必须将它们进一步切片到num_steps的windows (或片)中，例如，在ptb_producer中(参见tensorflow的RNN教程中的)。
我的问题是怎么做？我如何添加另一个队列来分割一批光谱图？
每个光谱图都是num_times = 15000长的，并且应该被分割成num_slices切片，每个切片都是num_steps长的。
我尝试了以下几点：
def da
浏览 3提问于2017-03-09得票数 0
回答已采纳
我试图使用tf.train.shuffle_batch来使用TFRecord文件中的批数据，使用TensorFlow 1.0。有关职能如下：
def tfrecord_to_graph_ops(filenames_list):
file_queue = tf.train.string_input_producer(filenames_list)
reader = tf.TFRecordReader()
_, tfrecord = reader.read(file_queue)
tfrecord_features = tf.parse_single_exampl
浏览 1提问于2017-06-08得票数 1
回答已采纳
1回答
首先，我真的很感谢你能读到我的问题。
TensorFlow版本: TensorFlow-GPU 1.14
操作系统: ubuntu 16.04
tensorflow.python.framework.errors_impl.OutOfRangeError: RandomShuffleQueue '_1_shuffle_batch/random_shuffle_queue' is closed and has insufficient elements (requested 8, current size 7) [[{{node shuffle_batch}}]]
我正
浏览 2提问于2019-08-21得票数 1
回答已采纳
1回答
使用tensorflow keras时，如果我使用batch_size=8，并使用带有4个GPU的tf.distribute.MirroredStrategy()，对于训练中的每个步骤，它是否有(1) 8批，其中每个GPU有2批或(2) 4x8批，其中每个GPU有8批
我想这是第二种情况。如果我错了，请纠正我。如果是第二种情况，如何跨GPU计算梯度？通过简单的平均值？这是否意味着使用batch_size=8的4个GPU的算法和精度相当于使用batch_size=32的单个GPU？当然，训练时间会有所不同。
谢谢你的帮助。
浏览 0提问于2020-05-08得票数 2
我有大量带有标签(.mat)文件的图像(不能使用tf.data.Dataset.from_tensor_slices())，我希望使用tensorflow数据集使用tf.data API。
当我在文档中阅读时，我可以对大量数据使用tf.data.TextLineDataset (我必须有一个带有所有图像地址的txt文件，并将txt文件的路径作为tf.data.TextLineDataset参数发送)。然后，我可以使用map方法读取txt文件(tf.read_file)解码jpg图像(tf.image.decode_jpeg)，并对图像进行一些基本的转换。
但是，我不能在scipy.io.loa
浏览 1提问于2018-10-24得票数 1
回答已采纳
我使用tf.train.shuffle_batch()和tf.train.batch()读取一个包含两个类和每个类三个示例的.record文件。如果我想要两个批次的三个示例，我将num_epochs = 1放在string_input_producer中，因此我将得到每个示例的两个批次，但两个函数每次调用它们时都会返回两个被洗牌的批。
这两种功能有什么区别？
谢谢!
浏览 5提问于2017-07-14得票数 0
回答已采纳
我正在努力理解tf.nn.sparse_softmax_cross_entropy_with_logits是如何工作的。
描述说：
A common use case is to have logits of shape [batch_size, num_classes]
and labels of shape [batch_size]. But higher dimensions are supported.
因此，它建议我们可以以原始的形式提供标签，例如[1,2,3]。
现在，由于所有的计算都是每批完成的，我相信以下是可能的：
在所有情况下，我们假设批处理的大小等于2。
判例1(
浏览 1提问于2017-09-26得票数 0
回答已采纳
1回答
我正在使用tensorflow构建基于CNN的文本分类。有些数据集很大，有些数据集很小。
我使用feed_dict通过从系统内存(而不是GPU内存)中采样数据来为网络提供数据。网络是一批一批地训练的。对于每个数据集，批处理大小是固定的1024。
我的问题是:网络是批量训练的，每批代码都从系统内存中检索数据。因此，无论数据集有多大，代码都应该以相同的方式处理它，对吗？
但是对于大型数据集，我遇到了内存不足的问题，而对于小型数据集，它工作得很好。我非常确定系统内存足以容纳所有数据。所以OOM问题是关于tensorflow的，对吧？
是我写错了代码，还是tensorflow的内存管理问题？
非常感谢
浏览 1提问于2016-06-10得票数 2
1回答
我正在用TensorFlow训练一个模型来预测时间序列。网络得到一个长度为L的数据窗口，并尝试得出下一个值。
我在一批批重叠的窗口中进行训练(在时间上向前滑动)。为了加快这一过程，我提供了一个较大的窗口，并使用tf.extract_image_patches来提取窗口，而不是提供给一组窗口。
我的问题是:模型可以通过在更大的窗口中查看下一个值来“作弊”吗？从技术上讲，每个窗口的下一个值(除了最后一个窗口)都在我开始输入的初始大窗口中。
编辑:我的模型是一个自定义的递归神经网络，它输入不同的窗口(每个循环一个)和之前的预测。
浏览 19提问于2018-01-21得票数 0
尝试将批量归一化层从TensorlayVersion1.11.1转换为Tensorflow 2，并使用相同的预训练模型在推理过程中从该层获得不同的输出。
Tensorlayer 1.11.1
tensorlayer.layers.BatchNormLayer(network, is_train=False, name="batch_norm")
Tensorflow 2.8.0
tf.keras.layers.BatchNormalization(trainable=False, momentum=0.9, axis=3, epsilon=1e-05, gamma_initia
浏览 10提问于2022-06-08得票数 0
回答已采纳
是否可以从.tfrecord文件中获取记录(数据项)的路径？例如，为了获得记录的总数，我们可以使用tf.python_io.tf_record_iterator。
例如，，，如果我有100个原始图像，并将它们转换为.tfrecords格式。现在我可以将它们加载到我的tensorflow模型中来访问它们。有什么方法可以使用.tfrecords访问这些映像的磁盘(路径)的位置吗？
浏览 2提问于2019-05-14得票数 0
回答已采纳
我找不到在TensorFlow中使用TensorFlow数据库的方法。
我制作了表格和传感器数据作为参考。
这就是问题所在。
我应该使用什么来读取MySQL数据库的TensorFlow？
我找到了在MySQL中创建CSV文件的方法，并在TensorFlow中读取它。但这不是实时数据。我想实时使用这些数据。
请帮帮我。谢谢。
浏览 4提问于2016-12-22得票数 3
回答已采纳
我找不到合适的题目，抱歉。
我有一个由两个主要数据流组成的图形:图像分类和标签清理。我有两种数据：
(image_data，noisy_label，verified_label)来自验证集
(image_data，noisy_label)来自火车组
第一种是用来训练图形的标签清洗部分。第二种方法是在去除噪声标签后对图像进行分类训练。
每批都需要1:9的比例。
如何创建此类批处理？？在tensorflow有可能吗？
浏览 2提问于2017-07-23得票数 1
回答已采纳
我正在处理大约300 in的word嵌入数据(目前是一个.npz，但我愿意完成转换成任何格式的工作)，我想知道是否有一种方法可以将数据转换到tensorflow，而不涉及在python中初始化数据(即从numpy数组初始化tf.Variable )。
我之所以想避免这样做，是因为这样做会导致tensorflow在编写摘要时将我的嵌入和图形定义一起丢弃。见。
对于我的培训数据，我使用正常的tensorflow读取器管道(TFRecordReader、文件名队列、tf.train.shuffle_batch)。这非常好地阅读固定大小的例子，为一个预定义的数量的时代。我不知道如何将文件的全部内容读入
浏览 0提问于2016-03-09得票数 4
回答已采纳
将多个大数据集加载到张量流中的正确方法是什么？
我有三个大的数据集(文件)，分别用于训练，验证和测试。我可以通过tf.train.string_input_producer成功地加载训练集，并将其输入到tf.train.shuffle_batch对象中。然后，我可以迭代地获得批数据来优化我的模型。
但是，当我试图以同样的方式加载我的验证集时，程序一直在说"OutOfRange错误“，甚至我没有在string_input_producer中设置num_epochs。
有人能给它开点灯吗？除此之外，我还在想在tensorflow中进行培训/验证的正确方法是什么？实际上，我没有看到任何在大数
浏览 0提问于2016-05-06得票数 9
回答已采纳
我能得到一个完整的例子吗?在某个地方，他们将tf.data.Dataset迭代器提供给一个模型？我试图在没有tf.Estimators帮助的情况下将这些数据输入到模型中。
def preprocess_image(image):
image = tf.image.decode_jpeg(image, channels=1)
image = tf.image.resize_images(image, [224, 224])
image = tf.image.random_flip_left_right(image)
image /= 255.0
image = tf.cast
浏览 1提问于2019-04-15得票数 1
回答已采纳
我有一个数据集，它是tf.data.Dataset的一种类型。我要做的是输入一个自定义范围数据，这是一组标记到每一批。例如，如果我的训练数据集之一是0, 1,2, 3 ,4,5，那么我想为第一批提供1，2，3，3，然后为第二批提供3，4，5。有没有办法控制如何将训练数据输入到tensorflow模型？
浏览 1提问于2021-10-12得票数 0
回答已采纳
建议使用tensorflow数据集作为输入管道，设置如下：
# Specify dataset
dataset = tf.data.Dataset.from_tensor_slices((features, labels))
# Suffle
dataset = dataset.shuffle(buffer_size=1e5)
# Specify batch size
dataset = dataset.batch(128)
# Create an iterator
iterator = dataset.make_one_shot_iterator()
# Get next batch
浏览 1提问于2018-04-19得票数 5
我不清楚Tensorflow中RNN的批处理方法。例如，tf.nn.rnn将张量列表BATCH_SIZE x INPUT_SIZE作为输入。我们通常是向会话批量数据提供数据，那么为什么它需要批量列表而不是单个批量？
这给我带来了下一个困惑：
data = []
for _ in range(0, len(train_input)):
data.append(tf.placeholder(tf.float32, [CONST_BATCH_SIZE, CONST_INPUT_SIZE]))
lstm = tf.nn.rnn_cell.BasicLSTMCell(CONST_NUM_OF_
浏览 1提问于2016-08-11得票数 2
我使用tf.keras.utils.image_dataset_from_directory将图像加载到tensorflow的数据集中。然而，我对它是如何工作的感到困惑。我只是想要能够从数据集中显示每个图像。
data = tf.keras.utils.image_dataset_from_directory('/content/gdrive/MyDrive/Skyrmion Vision/testFiles/train/',batch_size=1,image_size=(171,256))
data_iterator = data.as_numpy_iterator()
b
浏览 17提问于2022-09-10得票数 1
回答已采纳
1回答
history = model.fit_generator(
train_generator,
steps_per_epoch=50,
epochs=10,
verbose=1,
validation_data = validation_generator,
validation_steps=50)
tensorflow:您的输入耗尽了数据；中断了训练。确保您的数据集或生成器至少可以生成steps_per_epoch * epochs批(在本例中为5000批)。在构建数据集时，可能需要使用repeat()函数。
浏览 2提问于2020-08-30得票数 0
我正在使用下面的代码训练数据。但在这里，我需要将数据分成批(如MNIST tensorflow示例: batch_xs，batch_ys = mnist.train.next_batch(100))。
当我寻找next_batch方法时，它在任何库中都不可用。我是张量流的新手。我只是想知道我是否可以在训练时将数据分成几批。
任何帮助都将不胜感激。
for i in range(training_epochs):
sess.run(optimizer, feed_dict={x: inputX, y_: inputY}) # Take a gradient descent step us
浏览 0提问于2017-01-31得票数 2
1回答
背景
tensorflow中的典型输入管道如下所示：
tf.train.string_input_producer(list_of_filenames)
(creates queue of filenames)
|
\|/
fixed length reader reads records from the files
浏览 7提问于2017-03-25得票数 6
回答已采纳
我正在研究用于训练的CNN-LSTM模型，我的数据集包含25760幅尺寸为70，70，3的图像。在培训过程中，我遇到了这样的错误："ValueError: conv2d的输入0与层：：min_ndim=4，found ndim=3不兼容。完整的形状接收到：(2240，70，3)“。
有人能告诉我这意味着什么以及如何解决吗？
列车数据形状：(25760，70，70，3)
代码：
import tensorflow as tf
from tensorflow.python.keras.models import Sequential
from tensorflow.python.keras
浏览 5提问于2021-05-01得票数 1
这就是我造的模型。请务必帮助我理解，如果问题与我的模式或任何其他问题，我正面临这个问题。此错误发生在此之后：
Train on 63828 samples, validate on 95743 samples
Epoch 1/1
63744/63828 [============================>.] - ETA: 2s - loss: 0.3427 - acc: 0.9943
错误发生在最后。所以我在训练的时候取下了那套。
from tensorflow.python.keras.layers import Embedding, Input
from tensorflo
浏览 3提问于2020-02-05得票数 0
在TensorFlow深度学习的第一章中，给出了一个简单的神经网络识别手写体数字的实例。根据它的描述，这本书的代码包可以在找到。
从上下文来看，我认为运行一个简单的TensorFlow 2.0网并建立基线的部分使用了与相同的代码。当我运行这个示例代码时，它提供了以下输出：
这本书的快照是：
我的截图中的结果是375/375，而书中的快照是48000/48000。而且，我想念Train on 48000 samples, validate on 12000 samples这一行。为什么会发生这种事？如何从书中获得与快照相同的结果？
从我的输出来看，我认为加载的数据集的大小与它
浏览 6提问于2020-12-27得票数 1
回答已采纳
我正在尝试使用tensorflow 1.2中的新对象检测api和更快的-rcnn配置示例来对自定义数据集进行训练。我所得到的误差与一些张量形状有关，但它似乎是在训练过程中随机发生的，而且精确的形状也会发生变化。
INFO:tensorflow:global step 132: loss = 63.3741 (0.262 sec/step)
INFO:tensorflow:global step 133: loss = 33.7362 (0.292 sec/step)
INFO:tensorflow:global step 134: loss = 18.0165 (0.264 sec/step)
浏览 2提问于2017-07-10得票数 2
回答已采纳
在TensorFlow中，假设我们有numpy NHCW格式的训练数据xs。我想在Tensorflow中对来自xs的批次进行采样，我做到了
xs = np.reshape(range(32), [4,2,2,2])
tensor_list = [tf.convert_to_tensors(x) for x in xs]
#x_tensor = tf.convert_to_tensors(xs) # tried this version too
x_batch = tf.train.shuffle_batch(tensor_list, batch_size=3, capacity=50,
浏览 4提问于2017-12-07得票数 1
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM活动推荐
腾讯云开发者
