小编use*_*229的帖子

我想使用"完全连接"模型来进行训练和测试.我有一个train.tfrecords文件和一个test.tfrecords文件.我相信这样做的正确方法是为培训和测试创建一个单独的图表.

根本问题是使用OutOfRange错误和coord.should_stop()打破了我尝试过的任何类型的封装.

#main.py: I would like main to look clean like this:#
session=tf.Session()
model.init(session, train.tfrecords, test.tfrecords)
model.fit() 
model.eval() 
session.close()

只要你只调用一次或者eval(你可以想象),那就完全没问题了.我大致都在关注这个实现

#model.py
from graph.py import MyGraph

with tf.variable_scope(scope,reuse=False):
    train_graph=MyGraph(train_queue.batch)
with tf.variable_scope(scope,reuse=True):
    test_graph=MyGraph(test_queue.batch)

def fit(self):
    coord=tf.train.Coordinator()
    threads=tf.train.start_queue_runners(coord,self.session)
    try:
        while not coord.should_stop()
            self.session.run(self.train_graph....)
        etc
    except e:
        coord.request_should_stop()
    finally:
        coord.join()

def eval_on_test_set(self):#similar to fit
    coord=tf.train.Coordinator()
    threads=tf.train.start_queue_runners(coord,self.session)
    try:
        while not coord.should_stop()
            self.session.run(test_graph....)
    except e:
        coord.request_should_stop()
    finally:
        coord.join()

显然,正在发生的是coord是(1)关闭线程,而线程又(2)关闭队列,以后不能轻易重新打开.我只是不知道这方面的方式.coord.clear_stop()可能是这个难题的一部分,但我无法使其发挥作用.

其次,我有一个训练和测试队列,但它们不是同时使用.理想情况下,该解决方案不涉及等待一半时间的专用测试/训练线程.

请原谅这个问题的广泛性.也许一旦我知道更多,也许我可以更具体地问.

我有性能敏感的tensorflow代码.从对gpu编程知之甚少的人的角度来看,我想知道哪些指南或策略是优化我的代码的"好开始".(单个gpu)

或许甚至可以读出每个张量流操作花了多长时间...

我有一个模糊的理解

• 当分配给cpu而不是gpu时,某些操作会更快,但是不清楚哪个操作
• 我在一篇
  论文中读到了一篇名为"EEG"的谷歌软件,可能有一天会被开源.

可能还有其他常见因素在起作用,我不知道..

我想在张量板中记录一些python-blackbox函数计算出的每次运行信息.

具体来说,我正在设想在运行sess.run()之后使用sklearn.metrics.auc.

如果"auc"实际上是一个张量节点,那么生活就会很简单.但是,设置更像是:

stuff=sess.run()
auc=auc(stuff)

如果有更多的tensorflow-onic方式这样做我感兴趣.我目前的设置涉及创建单独的列车和测试图表.

如果有办法完成上述任务,我也对此感兴趣.

我想做类似以下的事情:

def getFunction(params):
   f= lambda x:
       do stuff with params and x
   return f

我得到的语法无效.什么是Pythonic /正确的方法呢？

这样我就可以打电话f(x)而不必打电话给f(x,params)哪一个更混乱的IMO.

Mayavi是使用python进行3D可视化脚本编写的“现代”方法吗？

现代，我的意思是一个有见识的人会在2015年选择使用Mayavi来满足各种项目要求。

我是大约一个月前首次发现它的，它在大多数时候都运行良好。它也基于vtk，我认为即使Mayavi不会，它也会停留一段时间。

有几件事与我有关，促使我发表了这篇文章。大部分活动（包括主要作者之一的博客中的提交和帖子）似乎都是2010-2011年。用户的邮件列表似乎已经死了，特别是与paraview相比。我也很不幸，在StackOverflow上得到了问题的解答。

那么我会以错误的方式处理吗？当然，有很多python用户，其中大约1％的用户需要以某种方式进行3D可视化。那么每个人都在哪里？

我有27GB的2D Tiff文件，它们代表3D图像电影的片段。我希望能够像分割一个简单的numpy4d数组一样对这些数据进行切片。看起来dask.array是一个很好的工具，用于将数组作为hdf5文件存储在内存中后即可对其进行干净处理。

如果这些文件不能全部放入内存，我该如何首先将它们存储为hdf5文件。我是h5.py和数据库的新手。

谢谢。

from traits.api import Str
class Foo(HasTraits):
    a=Str
    b=Str()

成员'a'和'b'之间是否有任何行为差异？

特质属性总是特定于实例,还是属于类成员？

我最近迁移到一个full_connected样式模型,该模型从TFRecords文件生成的队列中读取输入.事实证明这更有效,但我仍然想用placeholder/feed_dict以交互方式传递参数.

有没有办法在feed_dict和full_connected功能中使用相同的计算图(比如你有一个在init方法中构建图的模型类)？你能获得占位符来接收出列值吗？