我在tensorflow中有两个张量,一个是稀疏张量,称为A,另一个是张量,称为B。我想计算A和B之间的平方误差。
当我表演的时候:
import tensorflow as tf
tf.reduce_sum(tf.square( B - A))
然后我收到一个错误,说:
TypeError: Expected float32 passed to parameter 'y' of op 'Sub', got <tensorflow.python.framework.sparse_tensor.SparseTensor object at 0x7f42a10
稀疏张量与自身或稠密张量的乘法在TensorFlow中似乎不起作用。下面的示例
from __future__ import print_function
import tensorflow as tf
x = tf.constant([[1.0,2.0],
[3.0,4.0]])
y = tf.SparseTensor(indices=[[0,0],[1,1]], values=[1.0,1.0], shape=[2,2])
z = tf.matmul(x,y)
sess = tf.Session()
sess.run(tf.initialize_all
我想看看下面由keras的输入类给出的tensorflow张量的内容
from keras.layers import Input
sequence_input = Input(shape=(128,), dtype='int32')
# How to see the content of sequence input
sequence_input
import tensorflow.compat.v1 as tf
with tf.Session() as sess:
print(sequence_input.eval())
Exception ignored in:
如何使用tensorflow折叠两个张量?tensorflow.foldl接受输入
a, b -> a类型的函数(在这里,a和b表示特定形状的张量类型)
一种可解压缩为b类型条目的列表b的张量
a型初始累加器
我需要一个函数作为输入
a, b, c -> a型函数
一种可解压缩为b类型条目的列表b的张量
一种可解压缩为c类型条目的列表c的张量
a类型的初始累加器。
在创建计算图时,我有一个张量x,例如[-1, a, b, c]的形状,我想把它重塑成[-1, a*b*c],我尝试这样做:
n = functools.reduce(operator.mul, x.shape[1:], 1)
tf.reshape(x, [-1, n])
但我有个错误:
TypeError: unsupported operand type(s) for *: 'int' and 'Dimension'
我的问题是:是否有TensorFlow做这个操作?
这样做很好:
import TensorFlow
var t = Tensor<Float>([[1, 0], [0, 1]])
但是,下面给出了一个错误
import TensorFlow
var a = [[1, 0], [0, 1]]
var t = Tensor<Float>(a)
error: expression type 'Tensor<Float>' is ambiguous without more context
var t = Tensor<Float>(a)
^~~~~~~~~~~~~~~~
我有一个问题,就是计算一个充满随机变量的张量的标准差和方差。它抛出一条与输入错误相关的消息。
下面是我的代码片段,如下所示。
# Create a tensor with 50 random values between 0 and 100
E = tf.constant(np.random.randint(low=0, high=100, size=50))
print(E)
# Calculate the standard deviation and variance
print(tf.math.reduce_std(E))
print(tf.math.reduce_variance(E
我试图用张量流来写我自己的成本函数,但是很明显,我不能‘分割’张量对象?
import tensorflow as tf
import numpy as np
# Establish variables
x = tf.placeholder("float", [None, 3])
W = tf.Variable(tf.zeros([3,6]))
b = tf.Variable(tf.zeros([6]))
# Establish model
y = tf.nn.softmax(tf.matmul(x,W) + b)
# Truth
y_ = tf.placeholder(
我的问题是关于Tensorflow中的张量运算。比方说:
import tensorflow as tf
import numpy as np
a = tf.Variable(np.random.random([10, 3, 3]))
b = tf.Variable(np.random.random([10, 3, 3]))
def some_function(m,n):
# just as an example
return tf.add(m, n)
这在Tensorflow中有效,但它需要知道高级维度。然而,张量的第一个维度很可能是无。
c = []
for i in
我试着去完成如果...elif..elif..else...tensorflow中,但出现了一些错误。然后我尝试了tf.cond,但那是单人早午餐。 labels被定义为占位符,它是一个在训练时需要输入的张量。标签和newlogits的范围是0,27,但在计算精度时,我希望将标签和logits映射到0,3。 def tower_acc(logits, labels, batch_size):
newlogits=tf.argmax(logits,1)
resultlabels =[]
resultlogits =[]
for i i
我对Keras和Tensorflow很陌生。昨天,我遇到了一个错误:
TypeError: '<' not supported between instances of 'str' and 'float'
导致此错误的代码块是:
for name, inpt in inputs.items():
if inpt.dtype == tf.string:
lookup = layers.StringLookup(vocabulary=np.unique(train[name]))
在这里,输入是一个字典,它包含火车数据
我正在Google上练习密集神经网络,在做model.fit时出现了这个错误。
以下是整个代码:
我从谷歌驱动器导入数据,并将数据传递给熊猫。
import functools
import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow import keras
from google.colab import drive
drive.mount('/content/drive')
train_file_path = "/content/drive/My Drive
我正在和tensorflow一起研究一个算法。以下是想要的代码的NumPy版本: x = [1,2,3,4,5,6,7,8,9,10]
sets = {1,5,7}
y = [0,0,0,0,0,0,0,0,0,0]
for i in range(10):
if i in sets:
y[i] = x[i] 它会得到结果: y = [0,2,0,0,0,6,0,8,0,0] 如何在tensorflow中实现此功能?有没有办法使用相同的逻辑在tensorflow中实现这一点,而不是在计算后将NumPy数组转换为张量,而是使用张量执行所有操作(例如,使用张量来索引张量,
我正在研究TensorFlow 2.0和Transformer,当我输入的时候,我有一个错误作为标题
value = Embedding(tf.shape(vocals).numpy()[0], d_model=512)
vocals是一个形状为(100,45)的张量。这一层的代码是:
def positional_encoding(length, d_model):
encoded_vec = tf.Variable([pos/tf.pow(10000, 2*i/d_model) for pos in range(length) for i in range(d_model)],
我想训练一个用于语义分割的模型,因此输出张量包含许多零。我创建了一个tf.data数据集,它返回一个包含输出掩码的tensorflow稀疏张量,以便在训练时消耗更少的内存,但是当我尝试tf.keras.fit时,我得到
TypeError: Failed to convert object of type <class 'tensorflow.python.framework.sparse_tensor.SparseTensor'> to Tensor. Contents: SparseTensor(indices=Tensor("cond_2/Identi