小编Ank*_*sal的帖子

有人可以解释一下tensorflow的eager-mode工作原理。我正在尝试建立一个简单的回归，如下所示：

编辑：我正在更新我的问题，这是我的完整代码，现在问题来自梯度计算，它返回零。我检查了非零的损失值。

import tensorflow as tf
tfe = tf.contrib.eager
tf.enable_eager_execution()
import numpy as np
def make_model():
    net = tf.keras.Sequential()
    net.add(tf.keras.layers.Dense(4, activation='relu'))
    net.add(tf.keras.layers.Dense(1))
    return net

def compute_loss(pred, actual):
    return tf.reduce_mean(tf.square(tf.subtract(pred, actual)))

def compute_gradient(model, pred, actual):
    """compute gradients with given noise and input"""
    with tf.GradientTape() as tape:
        loss = compute_loss(pred, actual)
    grads = tape.gradient(loss, model.variables)
    return grads, loss

def apply_gradients(optimizer, grads, model_vars):
    optimizer.apply_gradients(zip(grads, model_vars))

model = make_model()
optimizer = tf.train.AdamOptimizer(1e-4)

x = np.linspace(0,1,1000)
y = x+np.random.normal(0,0.3,1000)
y = y.astype('float32')
train_dataset …

我有一个简单的机器翻译模型,可以将英语句子转换为法语句子.我想首先使用英文句子维度传递模型编码器.在被解码器翻译后,模型输出具有法语句子维度.这里的问题是英语句子,填充后法语句子的长度不同.如何在我的编码器和解码器之间进行重塑？

这是我的代码:

def encdec_model(input_shape, output_sequence_length, english_vocab_size, french_vocab_size):

    learning_rate = 1e-3

    input_seq = Input(input_shape[1:])
    encoder = GRU(64, return_sequences=True)(input_seq)
    decoder = GRU(64, return_sequences=True)(encoder)
    logits = TimeDistributed(Dense(french_vocab_size))(decoder)
    model = Model(input_seq, Activation('softmax')(logits))

    model.compile(loss=sparse_categorical_crossentropy,
                optimizer=Adam(learning_rate),
                metrics=['accuracy'])    

return model

结果模型参数如下所示:

Layer (type)                 Output Shape              Param #   
_________________________________________________________________
input_13 (InputLayer)        (None, 15, 1)             0         
_________________________________________________________________
gru_16 (GRU)                 (None, 15, 64)            12672     
_________________________________________________________________
gru_17 (GRU)                 (None, 15, 64)            24768     
_________________________________________________________________
time_distributed_10 (TimeDis (None, 15, 344)           22360     
_________________________________________________________________
activation_10 (Activation)   (None, 15, 344)           0     
_________________________________________________________________

对于输入维度(15,1),我想将输出维度更改为(17,1) …

是否有任何经验法则可以num_leaves在lightgbm. 例如对于1000特征数据集，我们知道使用tree-depthof 10，它可以覆盖整个数据集，因此我们可以相应地选择它，并且用于调优的搜索空间也受到限制。

但是在lightgbm，我们如何粗略地猜测这个参数，否则使用网格搜索方法时它的搜索空间会非常大。

任何有关选择此参数的直觉都会有所帮助。

我正在使用 Jupyter 执行以下代码，但出现错误

import pandas as pd
from sklearn.tree import DecisionTreeClassifier 

music_data = pd.read_csv('music.csv')
X = music_data.drop(columns=['genre'])
y = music_data['genre']

model = DecisionTreeClassifier()
model.fit(X,y)
music_data

发生了错误：

ImportError                               Traceback (most recent call last)
<ipython-input-28-7af4ede8a769> in <module>
      1 import pandas as pd
----> 2 from sklearn.tree import DecisionTreeClassifier
      3 
      4 music_data = pd.read_csv('music.csv')
      5 X = music_data.drop(columns=['genre'])

~\Anaconda3\lib\site-packages\sklearn\__init__.py in <module>
     74 else:
     75     from . import __check_build
---> 76     from .base import clone
     77     from .utils._show_versions import show_versions
     78 

~\Anaconda3\lib\site-packages\sklearn\base.py in <module> …