小编rd1*_*d11的帖子

我已经看过tf.identity在一些地方使用过,比如官方的CIFAR-10教程和stackoverflow上的批量规范化实现,但我不明白为什么它是必要的.

它用于什么？任何人都可以提供一两个用例吗？

一个建议的答案是它可以用于CPU和GPU之间的传输.这对我来说并不清楚.基于此问题的扩展:loss = tower_loss(scope)在GPU块下,这表明我定义的所有运算符tower_loss都映射到GPU.然后,在结束时tower_loss,我们看到total_loss = tf.identity(total_loss)它返回之前.为什么？没有tf.identity在这里使用会有什么缺陷？

它似乎numpy.take(array, indices)和numpy.choose(indices, array)返回相同的东西:array索引的子集indices.

两者之间是否只有微妙的差异,或者我错过了一些更重要的东西？是否有理由偏爱另一个？

我想创建一些非常易于使用的 pip 包，用于在 Python 中加载常见的机器学习数据集。（是的，有些东西已经存在，但我希望它更简单。）

我想实现的是：

• 用户运行 pip install dataset
• pip 下载数据集，比如通过wget http://mydata.com/data.tar.gz. 请注意，数据并不驻留在 python 包本身中，而是从其他地方下载的。
• pip 从此文件中提取数据并将其放在安装包的目录中。（这并不理想，但数据集非常小，因此假设在此处存储数据不是什么大问题。）
• 稍后，当用户导入我的模块时，模块会自动从特定位置加载数据。

这个问题是关于子弹 2 和 3。有没有办法用 setuptools 做到这一点？

有没有人能够解决 PyCharm 中 PyTorch 特定的检查问题？之前针对非 PyTorch 相关问题的帖子建议升级 PyCharm，但我目前使用的是最新版本。一种选择当然是完全禁用某些检查，但我宁愿避免这种情况。

示例：torch.LongTensor(x)给我“意外的参数...”，而两种调用签名（带和不带x）都受支持。

如何将M x N灰度图像(或者换句话说矩阵或2-D阵列)转换为RGB热图,或者换句话说是M x N x 3阵列？

例:

 [[0.9, 0.3], [0.2, 0.1]] 

应该成为

[[red, green-blue], [green-blue, blue]] 

红色是[1, 0, 0],蓝色是[0, 0, 1]等等.

是否有规范的方法来重用TensorFlow中先前提供的占位符的计算？我的具体用例:

• 同时提供许多输入(使用一个占位符),所有这些输入都通过网络馈送以获得更小的表示
• 基于这些较小表示的各种组合来定义损失
• 一次训练一批,每批次使用输入的一些子集,而不重新计算较小的表示

这是代码中的目标,但由于一次又一次地执行相同的计算,因此存在缺陷:

X_in = some_fixed_data
combinations_in = large_set_of_combination_indices
for combination_batch_in in batches(combinations_in, batch_size=128):
    session.run(train_op, feed_dict={X: X_in, combinations: combination_batch_in})

谢谢.

关于使用TensorFlow计算单热嵌入有一些堆栈溢出问题,这是可接受的解决方案:

num_labels = 10
sparse_labels = tf.reshape(label_batch, [-1, 1])
derived_size = tf.shape(label_batch)[0]
indices = tf.reshape(tf.range(0, derived_size, 1), [-1, 1])
concated = tf.concat(1, [indices, sparse_labels])
outshape = tf.reshape(tf.concat(0, [derived_size, [num_labels]]), [-1])
labels = tf.sparse_to_dense(concated, outshape, 1.0, 0.0)

这几乎与官方教程中的代码相同:https://www.tensorflow.org/versions/0.6.0/tutorials/mnist/tf/index.html

对我而言,似乎既然tf.nn.embedding_lookup存在,它可能更有效率.这是一个使用它的版本,它支持任意形状的输入:

def one_hot(inputs, num_classes):
    with tf.device('/cpu:0'):
        table = tf.constant(np.identity(num_classes, dtype=np.float32))
        embeddings = tf.nn.embedding_lookup(table, inputs)
    return embeddings

您是否希望此实施更快？它是否有任何其他原因的缺陷？

是否可以在Python中或通过设置环境变量等来更改默认的会话配置？

具体来说,我想

with tf.Session() as sess:
    ...

当我与其他工作并行运行小型测试时,耗尽更少的内存.所以我上面的行为与...相同

gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.1)
config = tf.ConfigProto(gpu_options=gpu_options)
with tf.Session(config=config) as sess:
    ...

我希望在我的Jupyter笔记本中有一个默认缩进大小为2个空格而不是4个空格.我怎样才能做到这一点？

注意:这不是重复如何在IPython笔记本中将autoindent更改为2个空格,因为该问题适用于(已弃用)IPython笔记本而非(当前)Jupyter笔记本.