我正在尝试用Keras在GPU上训练一个简单的GAN.我验证了代码在我的笔记本电脑上运行CPU.然后,我按照下面添加了multi_gpu_model,使其能够在一组GPU上运行.但是,我收到以下错误：RuntimeError:('Thename"Discriminator"isused2timesinthemodel.Alllayernamesshouldbeu

更新：我在librosa中重新实现了这个以进行比较,结果确实与tensorflow的结果非常不同.Librosa给出了我期望的结果(但不是张量流).我已经在张量流回购上发布了这个issue,但它在那里很安静所以我在这里尝试.此外,我不确定它是否是tensorflow中的错误,或代表我的用户错误.为了完整起见,

我正在尝试使用Tensorflow和Pyinstaller制作我的Python代码的可执行文件.可执行文件生成正确,但当我尝试运行它时,我收到以下错误：Traceback(mostrecentcalllast):File"detection_init.py",line14,in<module>importlib.tensorboxDetectorastensorboxDetector

我试图在张量流中实现倒角距离.但是,我的代码将输入视为numpy数组.要将numpy转换为张量,我们需要运行一个会话,但该过程已经在另一个会话中.我认为两个会话不能并行运行.那么,任何人都可以帮我在tensorflow中实现倒角距离或帮助我解决这两个同步会话的问题吗？我的代码是：defcha

我正在将TensorFlow代码从旧队列接口更改为新的DatasetAPI.使用旧接口,我可以通过访问图中的原始计数器来监视实际填充的队列大小,例如,如下：queue=tf.train.shuffle_batch(...,name="training_batch_queue")queue_size_op="training_batch_queueandom_shuffle_queue_Si

#1安装anaconda官网下载安装即可。python3.7版本 #2安装CUDACUDNN注意tensorflow不同版本所需的CUDA及CUDA对应的CUDNN不同，注意版本匹配！参考 https://blog.csdn.net/omodao1/article/details/83241074https://developer.nvidia.com/cuda-gpushttps://developer.nvidia.

最近在学习深度学习框架tensorflow，并将tensorflow安装在一个虚拟环境当中，为了能在jupyternotebook中使用tensorflow，需要tensorflow可以调用虚拟环境，经调查，做法如下：第一步：打开AnacondaPrompt，输入如下命令激活自己的虚拟环境。（tensorflow_cpu为我的虚拟环境名称，替换成相应的虚拟环

我刚开始用TensorFlow和Python练习.我复制并执行了TensorFlow网站tf.estimatorQuickstart页面中的代码：from__future__importabsolute_importfrom__future__importdivisionfrom__future__importprint_functionimportosimporturllibimportnumpyasnpimportt

我遇到了一个问题,试图在传入Datasetmap方法的函数中使用Tensorflow的feature_column映射.当尝试使用Dataset.map对数据集的分类字符串特征进行热编码作为输入管道的一部分时,会发生这种情况.我得到的错误信息是：    tensorflow.python.framework.errors_impl.FailedPrecondit

我想在Tensorflow中创建一个多层双向LSTM.目前我的单层模型看起来像：cell_fw=tf.contrib.rnn.LSTMCell(hidden_size)cell_bw=tf.contrib.rnn.LSTMCell(hidden_size)(self.out_fw,self.out_bw),_=tf.nn.bidirectional_dynamic_rnn(cell_fw,cell_bw,input,...)为了

 我们准备建立一个如下的一个含有一个隐藏层的神经网络去实现回归分析，这个网络应有输入层、输出层、和隐藏层。                         最终实现一个一元回归的分析模型，也就会线性回归。我们会生成一个y=4*x+1

##基础知识【卷积】 卷积的目的就是从原始数据中提取出特征，过程是利用卷积核(kernel)按照下面动图的规则进行计算(做点乘)，得到的结果称为卷积特征（ConvolvedFeature）。其中卷积核又叫过滤器(Filter)，他是一个W核矩阵，而W矩阵中各个元素的值正是我们进行模型训练时要训练的参数

我正在使用tf.kerasAPI来构建我的CNN模型,使用tf.DatasetAPI为我的模型创建输入管道.来自tf.keras.datasets的mnist数据集用于测试,并通过执行代码在内存中准备：(train_images,train_labels),(test_images,test_labels)=tf.keras.datasets.mnist.load_data()以及一些与我的k

时间序列预测（曲线回归或曲线拟合），结构为训练数据生成-》隐藏输入层-》LSTM神经层-》隐藏输入层-》结果，也可以采用LSTM神经层-》全连接层（多层的普通神经网络）构成，训练效果未对比，与参数调优相关。参数说明：TIME_STEPS:RNN训练的步数，一次训练输入的序列长度；INPUT_SIZE:输入序列中

在Keras运行CNN.当它开始运行model.fit时,它会打印每个批次的进度条,如下所示是否可以显示每个时代的进度条？像这样这是我如何使用model.fit(x_train,y_train,nb_epoch=1,batch_size=32,verbose=1)我试图将详细设置为0和2,但没有进度条.如果您有任何想法,请告诉我.非常

我想在Tensorflow中实现具有预训练权重的LSTM模型.这些重量可能来自Caffee或Torch.我发现文件rnn_cell.py中有LSTM单元,例如rnn_cell.BasicLSTMCell和rnn_cell.MultiRNNCell.但是如何为这些LSTM单元加载预训练的权重.解决方法:这是一个加载预先训练的Caffe模型的解决方案.见fullco