小编Vla*_*lad的帖子

我有一个数据集,以前分为3组:训练,验证和测试.必须使用这些集合以便比较不同算法的性能.

我现在想使用验证集优化我的SVM的参数.但是,我无法找到如何明确输入验证集sklearn.grid_search.GridSearchCV().下面是我之前用于在训练集上进行K折叠交叉验证的一些代码.但是,对于这个问题,我需要使用给定的验证集.我怎样才能做到这一点？

from sklearn import svm, cross_validation
from sklearn.grid_search import GridSearchCV

# (some code left out to simplify things)

skf = cross_validation.StratifiedKFold(y_train, n_folds=5, shuffle = True)
clf = GridSearchCV(svm.SVC(tol=0.005, cache_size=6000,
                             class_weight=penalty_weights),
                     param_grid=tuned_parameters,
                     n_jobs=2,
                     pre_dispatch="n_jobs",
                     cv=skf,
                     scoring=scorer)
clf.fit(X_train, y_train)

我创建了一个python脚本来连接到remserver.

datfile = []
for dk in range(len(files)):
  dfnt=files[dk]
  dpst=dfnt.find('.dat')
  if dpst == 15:
    dlist = dfnt[:]
    datfile.append(dlist)

    assert datfile == ['a.dat','b.dat']
    # True

如你所见,创建一个列表.现在我将此列表传递给

ftp.retrbinary('datfile')

但是这一行会返回一个错误:

typeerror: retrbinary() takes at least 3 arguments (2 given)

不知道在找什么？

我已经安装了tensorflow 2.0.0-alpha0。尝试使用tf.logging.set_verbosity(tf.logging.ERROR)命令设置日志记录详细信息时，出现以下错误：

模块'tensorflow'没有属性'logging'。

2.0.0-alpha0版本中的这一点是否有变化？

我尝试构建自己的自定义层，tensorflow/keras强制该层对称，最终得到的结果如下：

import tensorflow as tf
from tensorflow.python.framework.ops import enable_eager_execution
enable_eager_execution()

class MyDenseLayer(tf.keras.layers.Layer):
    def __init__(self, num_outputs):
        super(MyDenseLayer, self).__init__()
        self.num_outputs = num_outputs

    def build(self, input_shape):
        X = tf.random.uniform([int(input_shape[-1]),self.num_outputs],minval=0,maxval=1,dtype=tf.dtypes.float32,)
        k = tf.Variable(X, name="kernel")
        self.kernel = 0.5 * (k+tf.transpose(k))

    def call(self, input):
        return tf.matmul(input, self.kernel)

layer = MyDenseLayer(5)
print(layer(tf.ones([3, 5])))
print(layer.trainable_variables)

到目前为止，一切都很好。我不明白的是：为什么最后一行

print(layer.trainable_variables)

给我一个空列表：

[]

我认为这layer.trainable_variables会告诉我我的矩阵是什么样子，这样我就可以检查它是否对称。

如上。我试过那些无济于事：

tf.random.shuffle( (a,b) )
tf.random.shuffle( zip(a,b) )

我曾经连接它们并进行改组，然后取消连接/解包。但是现在我处于 (a) 是 4D 秩张量而 (b) 是 1D 的情况，因此，无法连接。

我还尝试将种子参数提供给 shuffle 方法，以便它重现相同的洗牌，我使用它两次 => 失败。还尝试用随机洗牌的数字范围自己进行洗牌，但 TF 在花式索引方面不如 numpy 灵活，而且东西 ==> 失败了。

我现在正在做的是，将所有内容转换回 numpy，然后使用 sklearn 中的 shuffle，然后通过重铸返回张量。这完全是愚蠢的方式。这应该发生在图表内。

我正在尝试使用下面的代码片段加载 keras 模型：

    from tensorflow import keras
    from PIL import Image, ImageOps
    import numpy as np

    # Disable scientific notation for clarity
    np.set_printoptions(suppress=True)

    # Load the model
    model = keras.models.load_model('keras_model.h5')

    # Create the array of the right shape to feed into the keras model
    # The 'length' or number of images you can put into the array is
    # determined by the first position in the shape tuple, in this case 1.
    data = np.ndarray(shape=(1, 224, 224, 3), dtype=np.float32)

    # …

我正在尝试找出如何匹配activation=sigmoid正确activation=softmax的model.compile(）损失参数。特别是那些与binary_crossentropy.

我研究了相关主题并阅读了文档。我还建立了一个模型并让它与 一起工作，sigmoid但没有softmax。我无法让它与“ from_logits”参数正常工作。

具体来说，这里说：

参数：

• from_logits：是否output预期为 Logits 张量。默认情况下，我们认为output编码了概率分布。

这对我来说，如果你使用sigmoid激活，你想要“ from_logits=True”。对于softmax激活，默认情况下您需要“ from_logits=False”。这里我假设sigmoid提供logits并softmax提供概率分布。

接下来是一些代码：

model = Sequential()
model.add(LSTM(units=128,
               input_shape=(n_timesteps, n_features), 
               return_sequences=True))
model.add(Dropout(0.3))
model.add(LSTM(units=64, return_sequences=True))
model.add(Dropout(0.3))
model.add(LSTM(units=32))
model.add(Dropout(0.3))
model.add(Dense(16, activation='relu'))
model.add(Dropout(0.3))
model.add(Dense(1, activation='sigmoid'))

请注意，最后一行正在使用sigmoid激活。然后：

model.compile(optimizer=optimizer,
              loss='binary_crossentropy',  
              metrics=['accuracy'])

这工作正常，但它使用默认的“from_logits=False”，它期望概率分布。

如果我执行以下操作，则会失败：

model.compile(optimizer=optimizer,
              loss='binary_crossentropy',  
              metrics=['accuracy'],
              from_logits=True) # For 'sigmoid' in above …

我正在使用tf.keras，但出现以下错误：

ValueError：检查输入时出错：预期 conv2d_input 有 4 个维度，但得到了形状为 (24946, 50, 50) 的数组

有人可以帮我吗？

代码（IMAGE_SIZE是：50x50）

import tensorflow as tf
import numpy as np
import pickle
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout, Activation, Flatten, Conv2D, MaxPooling2D


pickle_ind = open("x.pickle", "rb")
x = pickle.load(pickle_ind)
x = np.array(x, dtype=float)
# x = x/255.0

pickle_ind = open("y.pickle", "rb")
y = pickle.load(pickle_ind)

n_batch = len(x)

model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(50, 50, 1)))
model.add(MaxPooling2D((2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu')) …

我正在执行一些与图像字幕相关的任务，并且已经像这样加载了初始模型的权重

model = InceptionV3(weights='imagenet')

但是我得到这样的错误：

AttributeError: module 'tensorflow' has no attribute 'get_default_graph'

我该怎么办？请帮忙。这是上面代码的完整输出。

1。-------------------------------------------------- ------------------------- AttributeError Traceback（最近一次通话最近）在（）1＃加载初始v3模型----> 2模型= InceptionV3（include_top = True，weights ='imagenet'）3＃InceptionV3（weights ='imagenet'）

~/anaconda3/lib/python3.6/site-packages/keras/applications/__init__.py
in wrapper(*args, **kwargs)
     26             kwargs['models'] = models
     27             kwargs['utils'] = utils
---> 28         return base_fun(*args, **kwargs)
     29 
     30     return wrapper

~/anaconda3/lib/python3.6/site-packages/keras/applications/inception_v3.py
in InceptionV3(*args, **kwargs)
      9 @keras_modules_injection
     10 def InceptionV3(*args, **kwargs):
---> 11     return inception_v3.InceptionV3(*args, **kwargs)
     12 
     13 

~/anaconda3/lib/python3.6/site-packages/keras_applications/inception_v3.py
in InceptionV3(include_top, weights, input_tensor, input_shape,
pooling, classes, **kwargs)
    155 
    156     if input_tensor is None:
--> 157         img_input = …

我仅在测试阶段遇到此错误，但在训练和验证阶段没有遇到任何问题。

IndexError: tensors used as indices must be long, byte or bool tensors

我在给定代码片段的最后一行收到此错误。

代码片段如下所示，

IndexError: tensors used as indices must be long, byte or bool tensors

“lab”是一个张量值，并以这种方式打印出范围，

tensor([6, 7, 8])
tensor([ 9, 10, 11])
tensor([21, 22, 23])

（注*：根据 ElementsPerClass 的值，该实验张量的长度可以是长度“n”）

基本上，我想编写一个损失函数来计算比较批次的标签和输出的分数。为此，我需要修复批量大小。

我之前在 Tensorflow 中做过，我可以在占位符函数中设置批量大小。现在，我需要在提供给我的 Keras 代码中使用类似的机制。我不知道在这里怎么做。

conv1 = (Conv2D(32, (3,3), padding='same', kernel_regularizer=regularizers.l2(weight_decay), input_shape=x_train.shape[1:], activation='elu'))(input_img)
print(conv1.shape)

打印语句的输出显然是[?, 32, 32, 3]. 我该怎么做，说[64, 32, 32, 3]？