小编Nag*_*S N的帖子

我已经将一个预训练模型保存为ckpt文件（元，索引...），并且正在使用tf.train.import_meta_graph()和加载图形tf.train.Saver.restore()。我也有来自的resnet50模型tf.keras.applications。我需要将resnet模型的输出提供给从磁盘加载的模型。我该如何实现？

码：

resnet_model = ResNet50(include_top=False, pooling='avg')
preprocessed_video = preprocess_input(tf.cast(video, tf.float32))
features = self.resnet_model([preprocessed_video])

sess1 = tf.Session()
saver = tf.train.import_meta_graph(model_path.as_posix() + '.meta')
graph = tf.get_default_graph()
saver.restore(sess1, model_path.as_posix())
input_x = graph.get_tensor_by_name('input/Identity:0')
result = graph.get_tensor_by_name('output/Identity:0')

我需要给features到input_x和得到result。请注意，这必须在构建图形时发生，而不是在运行时发生sess.run。我的意思是，不是全部video，features而是全部。所以我不能用tensorsnumpy.ndarraysess.run

编辑1：
在此答案中，我可以解决如下问题：

preprocessed_video = preprocess_input(tf.cast(video, tf.float32))
features = self.resnet_model([preprocessed_video])
sess1 = tf.Session()
saver = tf.train.import_meta_graph(model_path.as_posix() + '.meta', input_map={'input/Identity:0': features})
graph = tf.get_default_graph()
saver.restore(sess1, …

我正在尝试克隆一个环境

conda create -n myenv_legacy --clone myenv

我收到以下错误

CondaHTTPError: HTTP 404 NOT FOUND for url <https://conda.anaconda.org/conda-forge/noarch/dask-core-2.7.0-py_0.tar.bz2>

该网址https://conda.anaconda.org/conda-forge/noarch/dask-core-2.7.0-py_0.tar.bz2不存在。但是dask-core-2.7.0-py_1.tar.bz2（py_1，而不是 py_0 ）存在。我该如何解决这个错误？

我tf.keras在tensorflow 2.0.0 我有一个网络中使用 keras ( ) ，它的输入是一个图像，输出也是一个图像。我想在 VGG 特征空间中使用 MSE、MSE 和其他一些损失的组合，这取决于中间层输出。我正在定义一个自定义损失函数。我能够构建模型，使用自定义损失进行编译。但是当我训练使用fit_generator，我得到了一个SymbolicException说法Inputs to eager execution function cannot be Keras symbolic tensors

完整代码：
训练文件：

def __init__(self, gray_images: bool, verbose: bool = True):
    super().__init__(gray_images, verbose)
    self.model = None
    self.vgg_feature_extractor = VggFeaturesExtractor(model_name='vgg16', layers=[3, 6, 10])

def build_model():
    image_input = Input(shape=(None, None, num_input_channels))
    out1 = self.build_out1_model(image_input, num_filters, depth_t)
    out2 = self.build_out2_model(image_input, num_filters, depth_n, use_bnorm)
    enhanced_image = ... # Some function of image_input, out1 and out2

    self.model …

scipy.stats模块有几个指标，例如pearsonr，spearmanr用于计算两组分数之间的相关性。就我而言，一组分数实际上是多个分数的平均值，因此每个分数都有一个置信区间。是否有任何相关性指标可以利用置信区间并得出更好的分数？

如何使用字典更新数据类的字段？

例子：

@dataclass
class Sample:
    field1: str
    field2: str
    field3: str
    field4: str

sample = Sample('field1_value1', 'field2_value1', 'field3_value1', 'field4_value1')
updated_values = {'field1': 'field1_value2', 'field3': 'field3_value2'}

我想做类似的事情

sample.update(updated_values)

这个问题是对这个答案的评论中讨论的一种跟进。

据我了解，该preprocess_input()函数确实意味着输入图像的减法和 std-dev dvision。平均值是在训练 VGG 时在 ImageNet-1K 数据库上计算的平均值。

但是这个答案说当使用 VGG 特征作为损失函数时，preprocess_input()不是必需的，我们只需要[0,1]在传递给 VGG 之前将图像归一化到范围。这让我很困惑...

1. 如果我们不进行预处理，那么与用于训练 VGG 的那些图像相比，输入将处于不同的范围内。VGG 功能如何仍然有效？
2. 从我从这个答案中了解到，我们应该在[0,255]范围内设置图像，preprocess_input()函数负责规范化等等。从源代码中，我了解到对于 caffe 模型，[0,1]未完成对范围的归一化。相反，减去平均值并除以 std-dev。[0,1]如本答案的评论中所建议的那样，将网络输出标准化到范围如何实现相同的效果？

编辑 1：
我正在考虑输出图像的模型。它并不特定于单个模型。一个例子是图像去噪网络。我的网络的输入是一个嘈杂的图像，它的输出是一个去噪的图像。我想最小化 VGG 特征空间中去噪图像和地面实况图像之间的 MSE。无论我的网络输出的范围是多少，我都可以[0,255]通过乘以适当的因子轻松地将其更改为。同样，我可以对我的网络输出进行任何所需的预处理（减去平均值，除以 std-dev）。

根据经验，我发现预处理函数的输出在大约范围内[-128,151]。所以 VGG 网络是在这个范围内的图像上训练的。现在，如果我给它提供范围内的图像（或来自我的网络输出的张量）[0,1]，卷积会很好，但偏差会导致问题，对吗？详细地说，对于范围内的图像[-128,151]，一层 VGG 网络可能已经学习到了 5 的偏差。当我将范围内的图像提供[-1,1]给 VGG 网络时，偏差会破坏一切，对吗？

我不是在训练 VGG 模型。我正在使用在 ImageNet-1k 数据库上训练的模型的权重。

我正在尝试使用地面实况深度图、姿势信息和相机矩阵将帧从 view1 扭曲到 view2。我已经能够删除大部分 for 循环并将其矢量化，除了一个 for 循环。变形时，由于遮挡，view1 中的多个像素可能会映射到 view2 中的单个位置。在这种情况下，我需要选择具有最低深度值的像素（前景对象）。我无法矢量化这部分代码。任何帮助向量化这个 for 循环表示赞赏。

语境：

代码：

def warp_frame_04(frame1: numpy.ndarray, depth: numpy.ndarray, intrinsic: numpy.ndarray, transformation1: numpy.ndarray,
                  transformation2: numpy.ndarray, convert_to_uint: bool = True, verbose_log: bool = True):
    """
    Vectorized Forward warping. Nearest Neighbor.
    Offset requirement of warp_frame_03() overcome.
    mask: 1 if pixel found, 0 if no pixel found
    Drawback: Nearest neighbor, collision resolving not vectorized
    """
    height, width, _ = frame1.shape
    assert depth.shape == (height, width) …

我正在使用 PyTorch 框架训练我的神经网络。数据是全高清图像 (1920x1080)。但是在每次迭代中，我只需要从这些图像中裁剪出一个随机的 256x256 补丁。我的网络相对较小（5 个卷积层），因此瓶颈是由加载数据引起的。我在下面提供了我当前的代码。有什么方法可以优化加载数据并加快训练速度？

代码：

from pathlib import Path

import numpy
import skimage.io
import torch.utils.data as data

import Imath
import OpenEXR


class Ours(data.Dataset):
    """
    Loads patches of resolution 256x256. Patches are selected such that they contain atleast 1 unknown pixel
    """

    def __init__(self, data_dirpath, split_name, patch_size):
        super(Ours, self).__init__()
        self.dataroot = Path(data_dirpath) / split_name
        self.video_names = []
        for video_path in sorted(self.dataroot.iterdir()):
            for i in range(4):
                for j in range(11):
                    view_num = i * 12 + j
                    self.video_names.append((video_path.stem, …

我正在定义一个自定义损失函数。例如，让我们以loss function = L1 loss + L2 loss. When I domodel.fit_generator()为例，在每批之后打印整体损失函数。但我想看到的个人价值观L1 loss和L2 loss。我怎样才能做到这一点？我想知道单个术语的值以了解它们的相对比例。

1. tf.print(l1_loss, output_stream=sys.stdout)正在抛出异常说tensorflow.python.eager.core._FallbackException: This function does not handle the case of the path where all inputs are not already EagerTensors.。

2. 甚至tf.print('---')只是---在开始打印而不是每批打印。

3. tf.keras.backend.print_tensor(l1_loss) 没有打印任何东西

我知道这是网络上的一个流行问题，但即使在设置JAVA_HOMEenv 变量并添加%JAVA_HOME%\bin\到 Path 变量之后，我也会收到此错误。

我正在尝试使用需要 Java 的PDF Presenter应用程序。因此，我下载了 Oracle JDK ( jdk-14.0.1_windows-x64_bin.exe ) 并安装它，然后配置了上述两个变量。

如果我输入%JAVA_HOME%\bin\java.exe --version，它工作正常。但如果我输入java.exe或java，我会在标题中收到错误。我怎样才能解决这个问题？

这是输出echo %PATH%

C:\Windows\system32;C:\Windows;C:\Windows\System32\Wbem;C:\Windows\System32\WindowsPowerShell\v1.0\;C:\Windows\System32\OpenSSH\;C:\Program Files (x86)\NVIDIA Corporation\PhysX\Common;C:\Program Files\NVIDIA Corporation\NVIDIA NvDLISR;C:\Program Files\Git\cmd;C:\Program Files (x86)\Windows Live\Shared;C:\Program Files\MiKTeX 2.9\miktex\bin\x64\;%JAVA_HOME%\bin\;C:\Users\Nagabhushan\AppData\Local\Microsoft\WindowsApps;