小编Roh*_*pta的帖子

它对于NLP和视觉语言问题中的各种神经网络架构来说是常见的,它将初始字嵌入层的权重与输出softmax的权重联系起来.通常这会提高句子生成质量.(见这里的例子)

在Keras中,使用Embedding类嵌入字嵌入层是典型的,但似乎没有简单的方法将该层的权重与输出softmax联系起来.有人会碰巧知道如何实施吗？

我使用 Tensorflow 对象检测 API 训练了一个更快的 rcnn 模型，并将此推理脚本与我的冻结图一起使用：

https://github.com/tensorflow/models/blob/master/research/object_detection/object_detection_tutorial.ipynb

我打算将其用于视频中的对象跟踪，但使用此脚本进行推理非常慢，因为它一次仅处理一个图像而不是一批图像。有什么方法可以同时对一批图像进行推理吗？相关的推理函数在这里，我想知道如何修改它以处理一堆图像

def run_inference_for_single_image(image, graph):
with graph.as_default():
    with tf.Session() as sess:
        # Get handles to input and output tensors
        ops = tf.get_default_graph().get_operations()
        all_tensor_names = {output.name for op in ops for output in op.outputs}
        tensor_dict = {}
        for key in ['num_detections', 'detection_boxes', 'detection_scores', 'detection_classes', 'detection_masks']:
            tensor_name = key + ':0'
            if tensor_name in all_tensor_names:
                tensor_dict[key] = tf.get_default_graph().get_tensor_by_name(tensor_name)
        if 'detection_masks' in tensor_dict:
            # The following processing is only for single image
            detection_boxes = tf.squeeze(tensor_dict['detection_boxes'], [0]) …