蚂蚁搬家

1.从训练到推理过程模型文件形态sess.run模式下，tensorflow在训练过程中，通常使用saver = tf.train.Saver()和saver.save()保存模型，一次 saver.save() 后会生成ckpt文件，这里的ckpt文件并不是1个文件而是4个文件，模型权重数据和模型结构是分开保存。在推理场景下，一般使用tensorflow提供的freeze_graph函数，将权重数据和模型结构合并为pb格式的文件，...

一个应用场景在多标签问题中，有时候需要一些特殊的处理，比如一些样本只对部分class进行更新，而另一些样本对另外一些class进行更新。举个例子，我们预测一个用户喜欢什么类型的电影，假如我们知道用户对哪些电影有过观看行为，这是正样本，负样本一般来说可以随机采样构造，构造也有两种方式，一个是固定用户随机采样电影，一个是固定电影随机采样用户，两种方式其实是等价的，不过考虑到随机采样用户可以覆盖到完全没有观影记录的用户，我们倾向于用后者（看电影的用户和不看电影的用户可能本身就有很大的不同了，如果train d

1.合并多个tensor的合并主要包括2个函数：tf.concat和tf.stack，他们的输出参数都是list of tensor。区别是：tf.concat是沿某一维度拼接shape相同的张量，拼接生成的新张量维度不会增加。tf.stack是在新的维度上拼接，拼接后维度加1。import tensorflow as tfa = tf.constant([[1,2,3],[4,5,6]]) b = tf.constant([[7,8,9],[10,11,12]])ab1 = tf.con

1.模型的4个文件之前一次测试的时候，发现预测概率全部在0.5左右，最后发现是模型加载没有成功，预测结果其实是随机初始化的模型预测结果，所以概率都是0.5。怎么发现是模型没有加载成功呢？我把模型路径下的文件清空了之后预测，没有报错且预测概率就是0.5附近。然后为什么没有加载成功呢，是因为我的模型从平台存储空间上拷贝到测试机上时，只拷贝了model.ckpt-30000.data-00000-of-00001文件，这是不完整的。整个模型其实包含4个文件：model.ckpt-30000.data-000

概述MuiltLabelHead是tf.estimator.Head的子类，用于多标签问题，默认损失函数为sigmoid_cross_entropy。具体的调用

1.概述tf.metrics主要是实现了评估相关的各种指标函数，比如mean、precesion、auc、precession、mse、precesion_at_k等等。以tf1.15为例，主要包括：accuracy(...): Calculates how often predictions matches labels.auc(...): Computes the approximate AUC via a Riemann sum.average_precision_at_k(...): Com

什么是Hooks？中文直译为“钩子”，在tensorflow中概念：Hooks are tools that run in the process of training/evaluation of the model.*Hooks是模型训练/测试过程中的工具，这些工具用于在训练/评估过程中执行特定任务。例如：控制训练EarlyStopping改变学习率打印一些中间日志保存checkpoint…这些hooks可以在以下几个地方生效，：when a session starts bei

1.概述评估tensorflow.python.training.source code: https://github.com/tensorflow/tensorflow/blob/r1.15/tensorflow/python/training/evaluation.py

错误1，训练正常，预测和评估的时候报OOM：减少预测和训练的batchsize，或者减少网络参数。参考：ResourceExhaustedError (see above for traceback): OOM when allocating tensor of shape [7744,512] #3393

知乎-TensorFlow之estimator详解

一、概述机器学习主要面对两类问题：回归和分类。不过一个问题属于分类还是回归的界定却并不清晰。比如点击率预估输入样本的Label是0-曝光和1-点击，输出的是用户点击的概率，是一个连续值，你说点击率是回归问题还是分类问题？从目标来看输出一个率值而非类别应该算回归，但从输入来看是标签离散的，应该算是分类。本质上这两类问题是一体两面的，分类模型可将回归模型的输出离散化，回归模型也可将分类模型的输出连续化，主要看任务目标是什么。分类和回归最大的不同可能在于对于损失函数的选择上。主要区别在于：损失函数的一般表示

Variable两个函数Variable和get_variable函数都是获取变量，具体用哪个？tf.Variable(initial_value=None, trainable=True, collections=None, validate_shape=True, caching_device=None, name=None, variable_def=None, dtype=None, expected_shape=None, import_scope=None, constraint=None,

原文：https://blog.csdn.net/qq_27825451/article/details/89082978————————————————版权声明：本文为CSDN博主「LoveMIss-Y」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。原文链接：https://blog.csdn.net/qq_27825451/article/deta...

This is the message received from running a script to check if Tensorflow is working:Warning: The TensorFlow library wasn't compiled to use SSE4.2 instructions, but these are available on your machi

从source安装tensorflow时，安装到pip package命令  sudo pip install /tmp/tensorflow_pkg/tensorflow-1.2.1-py2-none-any.whl  报错： TypeError: unsupported operand type(s) for -=: 'Retry' and 'int'...

系统版本：unbantu16.0.4pycharm版本：pycharm-community-2017.2目标：导入cifar10step1: 下载tensorflows Models库，以便使用CIFAR-10数据的类。 git clone https://github.com/tensorflow/models.git 执行完成后，用户路径/home/star下可...

I install tensorflow by python-pip. it works but when i run my project,  the IDE warns me that :"The TensorFlow library wasn't compiled to use SSE4.1 instructions, but these are available on your mach

一、安装tensorflow安装 TensorFlow方法有很多：通过 Pip, Docker, Virtualenv, Anaconda 或 源码编译的方法。具体安装哪一种，看具体需求，比如操作系统是windows还是linux，是否需要单独编译等等。作为学习入门者，主要精力应该是尽快开启搭模型的阶段，而不是把大把时间花在各种坑爹的安装上。我在windows系统下用virtu

# coding=utf-8from tensorflow.examples.tutorials.mnist import input_dataimport tensorflow as tfmnist = input_data.read_data_sets('/home/star/MNIST_data', one_hot=True)sess = tf.InteractiveSession...

# coding=utf-8from tensorflow.examples.tutorials.mnist import input_dataimport tensorflow as tfmnist = input_data.read_data_sets('/home/star/MNIST_data/', one_hot= True)sess = tf.InteractiveSessi

import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets('/home/star/MNIST_data/', one_hot=True)sess = tf.InteractiveSession()x = tf.plac

import numpy as npimport sklearn.preprocessing as prepimport tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data#initialize parameter with xavier#Yoshua Bengio indecate th