以下代码是我用来测试性能的代码:
import time
import numpy as np
import tensorflow as tf
t = time.time()
for i in range(400):
a = np.random.uniform(0,1,(1000,2000))
print("np.random.uniform: {} seconds".format(time.time() - t))
t = time.time()
for i in range(400):
a = np.random.random((1000,2000))
File "model_VQA.py", line 279, in train
tf_loss, tf_image, tf_question, tf_label = model.build_model()
File "model_VQA.py", line 53, in build_model
state = tf.zeros([self.batch_size, self.stacked_lstm.state_size])
File "/home/xus/.virtualenvs/vqa/local/lib/python2.7
我正在使用Dataset API创建一个输入管道。我以类似于下面的模式使用tf.data.Dataset.map()方法:
def mapped_fn(_):
X = tf.random_uniform([3,3])
y = tf.random_uniform([3,1])
dataset = tf.data.Dataset.from_tensor_slices((X,y))
return dataset
with tf.Session() as sess:
first = tf.random_uniform([1,2])
u
我试着在TensorFlow上训练一个非常简单的模型。模型以单个浮点数作为输入,并返回输入大于0的概率。我用了一个隐藏层和10个隐藏单位。完整代码如下所示:
import tensorflow as tf
import random
# Graph construction
x = tf.placeholder(tf.float32, shape = [None,1])
y_ = tf.placeholder(tf.float32, shape = [None,1])
W = tf.Variable(tf.random_uniform([1,10],0.,0.1))
b = tf.Va
我想让我的随机数生成器成为种子。我可以执行以下操作,这是可行的:
import tensorflow as tf
sess = tf.Session()
# Set seed at graph-level
tf.random.set_random_seed(1)
# Set seed at op level
a = tf.random_uniform([1], seed=1)
with tf.Session() as sess1:
print(sess1.run(a))
以下方法也适用:
print(sess.run(tf.random_uniform([1], seed=1))
我是个新手。根据,tf.greater返回(x>y)元素级的真值。
我的代码如下:
x = tf.random_uniform([]) # Empty array as shape creates a scalar.
y = tf.random_uniform([])
print('x: '+str(x.eval()))
print('y: ' +str(y.eval()))
out = tf.cond(tf.greater(x, y), lambda: x + y, lambda: x - y)
print(sess.run(tf.greater(x,
我正在编写一段tensorflow代码,希望在每次更新后对变量向量进行标准化。下面的代码运行良好:
sess = tf.InteractiveSession()
y = tf.Variable(tf.random_uniform([2], -0.5, 0.5))
init = tf.initialize_all_variables()
sess.run(init)
a = [2, 3]
loss = tf.reduce_sum(tf.square(a - y))
y = y / tf.sqrt(tf.reduce_sum(tf.square(y)))
optimizer = t
我想使用tf.keras接口创建一个自定义的合并层。但是,新的API隐藏了我想要继承的keras.layers.merge._Merge类。 这样做的目的是创建一个可以对两个不同层的输出执行加权求和/合并的层。以前,在keras python API (不是tensorflow.keras中包含的那个)中,我可以继承keras.layers.merge._Merge类,现在不能从tensorflow.keras访问它。 在此之前我在哪里可以做到这一点 class RandomWeightedAverage(keras.layers.merge._Merge):
def __init_
我一直在尝试使用tf.scatter_update进行N维更新(在tf.scatter_nd由于形状不匹配而失败之后)。通常,它们将用于创建过滤传入张量的切片的掩码。
假设输入张量A是形状(批,i,j,k(深度))。我只对修改i,j值( all k和all b )感兴趣。
MWE:
import tensorflow as tf
b, i, j, k = 64, 128, 128, 256
A = tf.random_uniform(shape=(64, 128, 128, 256), dtype='int32', seed=1234) # Batch, i, j, k
m