小编mik*_*305的帖子

我在Keras上安装了Tensorflow后端和CUDA.我想有时需要强迫Keras使用CPU.这可以在没有在虚拟环境中安装单独的CPU Tensorflow的情况下完成吗？如果是这样的话？如果后端是Theano,可以设置标志,但我还没有听说过可通过Keras访问的Tensorflow标志.

要在Keras中保存模型,输出文件之间的区别是:

1. model.save()
2. model.save_weights()
3. ModelCheckpoint() 在回调中

保存的文件model.save()大于模型model.save_weights(),但比JSON或Yaml模型体系结构文件大得多.为什么是这样？

重申一下:为什么size(model.save())+ size(something)= size(model.save_weights())+ size(model.to_json()),那是什么"东西"？

公正model.save_weights()和model.to_json()加载是否会更有效率而不仅仅是做model.save()和load_model()？

有什么区别？

我希望conda的root环境能够复制另一个环境中的所有软件包.如何才能做到这一点？

如何在不启动GUI的情况下编写python脚本来读取Tensorboard日志文件,提取损失和准确性以及其他数值数据tensorboard --logdir=...？

即使在Keras 1.2.2中,引用合并,它确实包含多处理,但model.fit_generator()仍然比model.fit()磁盘读取速度限制慢约4-5倍.如何通过额外的多处理来加快速度？

对于iPython/Jupyter中的Matplotlib图,您可以使笔记本绘图内联

%matplotlib inline

如何为树木的NLTK draw()做同样的事情？这是文档http://www.nltk.org/api/nltk.draw.html

假设我从torchvision.datasets.MNIST加载MNIST,但我只想加载10000个图像,我如何切片数据以将其限制为只有一些数据点？我知道DataLoader是一个生成器,产生的数据大小与指定的批量大小相同,但是如何对数据集进行切片？

tr = datasets.MNIST('../data', train=True, download=True, transform=transform)
te = datasets.MNIST('../data', train=False, transform=transform)
train_loader = DataLoader(tr, batch_size=args.batch_size, shuffle=True, num_workers=4, **kwargs)
test_loader = DataLoader(te, batch_size=args.batch_size, shuffle=True, num_workers=4, **kwargs)

假设一个循环神经网络以可变长度的文本序列作为输入。为了提高效率，人们可以将长度相似的序列批处理在一起，以最小化每批的填充量——称为桶化。这如何在 Keras 中实现？

作为参考，使用遗留操作的Tensorflow Seq2Seq 教程包含此内容，但其代码应该能够在 Keras 中以更少的代码行进行简化。

如何在回归问题中为keras创建和显示精度度量,例如在将预测四舍五入到最接近的整数类之后？

虽然传统上对于回归问题没有有效地定义准确性,但是为了确定数据的序数类/标签,将问题视为回归是合适的.但是,那么计算精度度量也会很方便,无论是kappa还是其他类似的东西.这是一个要修改的基本keras样板代码.

from keras.models import Sequential
from keras.layers.core import Dense, Activation

model = Sequential()
model.add(Dense(10, 64))
model.add(Activation('tanh'))
model.add(Dense(64, 1))
model.compile(loss='mean_absolute_error', optimizer='rmsprop')

model.fit(X_train, y_train, nb_epoch=20, batch_size=16)
score = model.evaluate(X_test, y_test, batch_size=16)

有人可以提供Tensorflow完整工作代码的示例

tf.contrib.learn.ExportStrategy

文档缺乏示例.我也在Github或Stackoverflow上找不到任何关于这个看似模糊的Tensorflow操作的例子.

文档:https://www.tensorflow.org/api_docs/python/tf/contrib/learn/ExportStrategy

有人可以提供完整的工作代码（不是片段，而是在可变长度循环神经网络上运行的代码），说明您将如何使用 PyTorch 中的 PackedSequence 方法？

文档、github 或 Internet 中似乎没有任何此类示例。

https://github.com/pytorch/pytorch/releases/tag/v0.1.10

如果我有多个Tensorboard文件，如何将它们组合成一个Tensorboard文件？

在keras中说，model.fit()对于一个模型，例如在典型的GAN实现中，以下多次被调用：

for i in range(num_epochs):
    model.fit(epochs=1, callbacks=Tensorboard())

每次都会产生一个新的Tensorboard文件，这是没有用的。不知道是否有方法可以附加Tensorboard，或者是否在每个回调调用中都不生成带有时间戳的唯一文件。

多元线性回归如何适应在 Javascript 中进行多元多项式回归？这意味着输入 X 是一个二维数组，预测 y 目标是一个一维数组。

python 方法是使用 sklearn.preprocessing.PolynomialFeatures，然后是线性回归：http ://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.PolynomialFeatures.html

ml.js 库只做简单的多项式回归，即它只能接收一维输入和一维输出。https://github.com/mljs/regression-polynomial

这是 Python scikit-learn 中用于多元多项式回归的工作代码示例，其中 X 是二维数组，y 是一维向量。

这是示例代码：

const math = require('mathjs');
const PolynomialRegression = require('ml-regression-polynomial');

const a1 = math.random([10,2]);
const a2 = math.reshape(math.range(0, 20, 1), [10, 2]);
const x = math.add(a1, a2).valueOf();
const y = [];
for (i = 0; i<5; i++){ y.push(0); }
for (i = 5; i<10; i++){ y.push(1); }
const poly = new PolynomialRegression(x, y, 2);
console.log(poly.predict([[3,3],[4,4]]))

产出

[ NaN, NaN …