Me gustaría cambiar la tasa de aprendizaje de un optimizador entre épocas. Desde varias publicaciones ( esto y esto ) se puede usar tf.placeholder y tf.Variable través de la interfaz ‘classic’ sess.run() . Sin embargo, me gustaría utilizar la API de estimadores de alto nivel. El código es del ejemplo wide_deep y el modelo es […]
Me gustaría preguntar si la API actual de los conjuntos de datos permite la implementación del algoritmo de sobremuestreo. Trato con un problema de clase altamente desequilibrado. Pensé que sería bueno sobredimensionar clases específicas durante el análisis del conjunto de datos, es decir, la generación en línea. He visto la implementación de la función rejection_resample, […]
Estaba siguiendo el tensorflow de codelabs para poetas y el entrenamiento funcionó bien, pero cuando ejecuté el script para evaluar una imagen: python -m scripts.label_image \ –graph=tf_files/retrained_graph.pb \ –image=tf_files/flower_photos/daisy/21652746_cc379e0eea_m.jpg Tuve el siguiente error: The name ‘import/input’ refers to an Operation not in the graph. Miré a mi alrededor y tiene algo que ver con la […]
Estoy tratando de agregar recorte de gradiente a mi gráfico. Utilicé el enfoque recomendado aquí: ¿Cómo aplicar efectivamente el recorte de gradiente en el flujo tensorial? optimizer = tf.train.GradientDescentOptimizer(learning_rate) if gradient_clipping: gradients = optimizer.compute_gradients(loss) clipped_gradients = [(tf.clip_by_value(grad, -1, 1), var) for grad, var in gradients] opt = optimizer.apply_gradients(clipped_gradients, global_step=global_step) else: opt = optimizer.minimize(loss, global_step=global_step) Pero […]
Me gustaría comparar el rendimiento de los siguientes tipos de CNN para dos conjuntos de datos de imágenes grandes diferentes. El objective es medir la similitud entre dos imágenes, que no se han visto durante el entrenamiento. Tengo acceso a 2 GPUs y 16 núcleos de CPU. Triplet CNN (Entrada: Tres imágenes, Etiqueta: codificada en […]
Estoy tratando de usar tensorboard para observar el aprendizaje de una neural network convolucional. Lo estoy haciendo bien con la función tf.summary.merge_all para crear un resumen combinado. Sin embargo, me gustaría tener un seguimiento de la precisión y la pérdida, tanto para la capacitación como para los datos de prueba. Esta publicación es útil: registro […]
Estoy tratando de hacer una simple ttwig en el tensorboard, tal como lo tienen en la página de inicio, algo como esto: Para entender cómo funciona esto, he escrito lo siguiente: import tensorflow as tf import numpy as np x = tf.placeholder(‘float’,name=’X’) y= tf.placeholder(‘float’,name=’y’) addition = tf.add(x,y) with tf.Session() as sess: for i in range(100): […]
Instalé tensorflow (en python 2.7, debian linux) usando el método pip como se muestra en la documentación oficial: https://www.tensorflow.org/versions/r0.9/get_started/os_setup.html#pip-installation Probó exitosamente la instalación como lo indica la instalación, pero al hacer el tutorial: https://www.tensorflow.org/versions/r0.9/tutorials/tflearn/index.html#construct-a-deep-neural-network- clasificador Después de importar tensorflow correctamente, al intentar la línea: training_set = tf.contrib.learn.datasets.base.load_csv(filename=IRIS_TRAINING, target_dtype=np.int) Obtengo el error: el objeto ‘módulo’ tensorflow […]
Creé unas cuantas operaciones de resumen a lo largo de mi gráfica, así: tf.summary.scalar(‘cross_entropy’, cross_entropy) tf.summary.scalar(‘accuracy’, accuracy) y por supuesto se fusionó y consiguió un escritor: sess = tf.InteractiveSession() summaries = tf.summary.merge_all() train_writer = tf.summary.FileWriter(TENSORBOARD_TRAINING_DIR, sess.graph) tf.global_variables_initializer().run() y escribo esto en cada iteración de entrenamiento: summary, acc = sess.run([summaries, accuracy], feed_dict={…}) train_writer.add_summary(summary, i) cuando cargo […]
Quería guardar varios modelos para mi experimento pero noté que el constructor tf.train.Saver() no podía guardar más de 5 modelos. Aquí hay un código simple: import tensorflow as tf x = tf.Variable(tf.zeros([1])) saver = tf.train.Saver() sess = tf.Session() for i in range(10): sess.run(tf.initialize_all_variables()) saver.save( sess, ‘/home/eneskocabey/Desktop/model’ + str(i) ) Cuando ejecuté este código, solo vi […]