NOT_GUY的博客

1、动态获取 + 朴素获取法 + 朴素获取可训练变量：t_vars = tf.trainable_variables() + 朴素获取全部变量，包含声明training=False变量：all_vars = tf.global_variables() + 使用tensorflow.contrib.slim + 获取常规变量(是slim里面与model变量对应的一个类型)：regular_variables = slim.get_variable...

keras获取中间层有两种方式：（1）通过tf.keras.backend.function函数获取；（2）通过tf.keras.models.Model函数获取；对于第一种方式，主要是利用tensor name获取，具体可见https://blog.csdn.net/NOT_GUY/article/details/108290883；对于第二种方式，使用步骤如下：1）第一步，构建好模型；2）第二步，利用keras的summary函数打印模型结构图；3）第三步，训练模型；4）

问题：将二维矩阵A复制后变换为三维矩阵B，示例如下： ----------------------> 如果是numpy库，则可以直接使用np.repeat和np.reshape实现由于tensorflow-1.12中没有tf.repeat函数，所以只能通过其他方式实现，即：tf.tile+tf.reshape+tf.transposetf.tile中参数multiples为[1,5]，即第一维重复1份，第二维重复5份...

最近，研究了下如何使用基于tensorflow-hub中预训练bert，一开始找到的关于预模型使用介绍的官方教程国内打不开，所以看了很多博客遇到了很多坑，直至最后找到能打开的教程，才发现使用很简单。实验版本： tensorflow版本: 2.3.0 tensorflow-hub版本：0.9.0 python版本: 3.7.6数据准备： 首先，熟悉bert的都知道输入有3个：input_ids、input_mask、seg...

最近在跑程序时，出现过好几次这个问题，当时在官方tensorflow的github上查到了这个问题，见：https://github.com/tensorflow/tensorflow/issues/39712，工作人员回复让试一下tf-nightly（应该是最新迭代的版本），但由于tensorflow版本多人再用，所以也没试这种方法。今天又碰到这个问题，研究了一下，下面首先给出我这里几次碰到这个问题的背景：（1）由于有多人在使用GPU，所以前几次都是在GPU占用比较大的情况下，然后我跑个程序就出现

这里，主要是想构建3个输出，然后计算3个输出的损失函数，并按权重将损失函数加起来作为总的损失模型构建部分class MyModel_add3loss(tf.keras.Model): def __init__(self): super(MyModel_add3loss,self).__init__() self.inputa = tf.keras.layers.InputLayer(input_shape=(60, 8, 1)) self.

最近在看tensorflow.keras的多输入多输出时，碰到了这个问题，在这里记录一下。首先给出报错代码：# 两个输入main_input = tf.keras.layers.Input(shape=(784,),dtype=tf.float32,name="main_input")auxiliary_input = tf.keras.layers.Input(shape=784,),dtype=tf.float32,name="auxiliary_input")## 网络1x = t

预训练模型进行微调定义模型class MyModel(tf.keras.Model): def __init__(self, height=None,width=None,channel=None): super(MyModel,self).__init__() self.inputshape = tf.keras.layers.InputLayer(input_shape=(height,width,channel)) # self.

错误使用1、构建模型：import tensorflow as tfimport collectionsfrom efficientnet import tfkerasclass MyModel(tf.keras.Model): def __init__(self, height=None,width=None,channel=None): super(MyModel,self).__init__() self.inputshape = tf.

原代码：self.lr = tf.placeholder(shape=[1],dtype=tf.float32,name="learning_rate")。。。。。。 optimizer = tf.train.AdamOptimizer(learning_rate=self.lr)self.trainops = optimizer.minimize(self.cost)

1、bash中## bash设定GPU卡顺序：export CUDA_DEVICE_ORDER = "PCI_BUS_ID"指定第1块和第2块GPU卡：export CUDA_VISIBLE_DEVICES="0,1"2、python代码中## pythonimport osos.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID"...

TensorBoard通过读取TensorFlow的事件文件来运行，该文件中包含了主要数据。注意：以下是基于TensorFlow API r1.4运行的tf.summary模块：（1）tf.summary.histogram用来记录计算流图中一些tensor的数据分布，这些数据有个特点：服从某种分布，比如：权重变量和梯度输出。（2）tf.summary.scalar用来记录