import tensorflow as tf
import random
import numpy as np
x = tf.placeholder('float')
x = tf.reshape(x, [-1,28,28,1])
with tf.Session() as sess:
x1 = np.asarray([random.uniform(0,1) for i in range(784)])
result = sess.run(x, feed_dict={x: x1})
print(result)
我在使用mn
我正在尝试在张量流中的以下数据文件上训练单层感知器(基于的代码):
1,1,0.05,-1.05
1,1,0.1,-1.1
....
其中最后一列是标签(3个参数的函数),前三列是函数参数。读取数据和训练模型的代码(我简化了它以提高可读性):
import tensorflow as tf
... # some basics to read the data
example, label = read_file_format(filename_queue)
... # model construction and parameter setting
# Launch the graph
w
我在tensorflow中向张量提供标签值时遇到了双重问题。我的batchSize是我拥有的类数量的3倍:
x = tf.placeholder(tf.float32,[None,457)],name='Train_data')# each input has a length of 457
y_ = tf.placeholder(tf.float32,[None,numberOFClasses],name='Labels')#
..................................................................
我正在尝试将一维数组转换为TF矩阵,以便在卷积网络中使用,类似于使用tf.reshape()在TF深层MNIST示例中所做的工作。
X = tf.placeholder(tf.float32, [None, 480])
X = tf.reshape(X, shape=[-1, 60, 8, 1])
我得到了以下错误:
ValueError: Cannot feed value of shape (5, 480) for Tensor 'Reshape_1:0', which has shape '(?, 60, 8, 1)'
5是我的batch_size,480
这就是我的问题。我有一个张量X,我想把所有的负值都设为0。在numpy中,我将执行以下np.maximum(0, X)。有没有办法在tensorflow中达到同样的效果?我试过tf.maximum(tf.fill(X.get_shape(), 0.0), X),但这让ValueError: Cannot convert a partially known TensorShape to a Tensor: (?,)失败了。
PS。X是形状(?,)的一维张量。
根据tensorflow网站,tf.reshape获取一个特定形状的张量,并将其映射到另一个形状的张量。我想把尺寸为600,64的张量映射到大小的张量。但这似乎不起作用。
我正在tensorflow上运行这个程序,在python3.6上,尽管它重塑为-1,8,8,8,但它并没有重塑到-1,8,8,1
import tensorflow as tf
import numpy as np
from sklearn import datasets
from sklearn.preprocessing import LabelBinarizer
# preprocessing method need
我有一个经过训练的TF模型,它对序列化(TFRecord)输入进行操作。图像数据具有可变形状,并通过tf.image.resize_images(...)转换为229x229x3形状。我希望使用类似于gcloud ml-engine predict 的,确保接受任何大小的图像作为输入。
我从以下函数获得我的features张量(传递给预测图):
def jpeg_serving_input_fn():
"""
Serve single jpeg feature to the prediction graph
:return: Image as a tenso
我是Tensorflow的新手,如果我问了一个愚蠢的问题,很抱歉。这是我的代码。并且它总是会给出一个错误:
ValueError: Cannot feed value of shape (3,) for Tensor
'Placeholder:0', which has shape '(3, ?)'
我的问题是,形状(3,)是什么意思?为什么我不能将形状(3,)的值馈送到形状(3,?)占位符?当我输入单个原始矩阵(即1,3,8)时,为什么tensorflow将其识别为(3,)的形状,这似乎是一个具有3个原始矩阵的矩阵?
代码:
import tensorflo
我正在尝试将张量对象中的一个矩阵切片为numpy矩阵,并将其用于部分计算。但是从张量对象到numpy数组的赋值不会像下面这样工作。
import tensorflow as tf
import numpy as np
def assignC():
C_copy = np.zeros((2,2))
C = tf.matmul(tf.transpose(x), x)
C_copy[0,0] = C[0,0]
#C_copy[0,0] = C[0,0].eval() # error saying "You must feed a value for pla
我不确定这是否可能,但我想要的是,在下面的第一个打印语句中,我得到一个3项列向量,在下面的第二个打印语句中,我得到一个4项列向量。
import tensorflow as tf
# Mx = b
M = tf.Variable([[1,2,3],[4,5,6],[7,8,9]],validate_shape=False)
x = tf.Variable([[1],[2],[3]])
b = tf.matmul(M,x)
init = tf.global_variables_initializer()
with tf.Session() as sess:
sess.ru
我使用concat将形状为150,1的张量t2附加到初始形状为150,0的张量t1上。我想创建一个形状为的张量,并用新的张量覆盖t1。下面是我的代码:
t1.assign(tf.concat(1, [t1, t2]))
我得到的错误是:
ValueError: Dimension 1 in both shapes must be equal, but are 0 and 1
奇怪的是,当我设置axis=0时,我得到了同样的错误。不知道发生了什么;这应该是一件很容易做的事情。我怀疑这与维度1为0的t1有关。有什么建议吗?提前谢谢。
编辑
原来,问题出在"assign“上,因为我将t1 (
我对TensorFlow非常陌生,我试着理解占位符的概念。假设我有一个形状为100x4的功能集。所以我有100行4种不同的功能。然后,目标为100x1形状。如果我想使用这两个矩阵作为训练集。我所做的是:
X = tf.placeholder(tf.float64, shape=X_train.shape)
Y = tf.placeholder(tf.float64, shape=y_train.shape)
W = tf.Variable(tf.random_normal([4, 1]), name="weight",dtype=tf.float32)
b = tf.Vari