我有关于（不支持 TensorFlow 2.0 的 Keras。我们建议使用tf.keras，或者降级到 TensorFlow 1.14。）任何建议的错误。
谢谢
import keras
#For building the Neural Network layer by layer
from keras.models import Sequential
#To randomly initialize the weights to small numbers close to 0(But not 0)
from keras.layers import Dense
classifier=tf.keras.Sequential()
classifier.add(Dense(output_dim = 6, init = 'uniform', activation = 'relu', input_dim = 11))
RuntimeError: It looks like you are trying to use a version of multi-backend Keras that does not support TensorFlow 2.0. We recommend using `tf.keras`, or alternatively, …tf.data 有一个from_generator初始值设定项，它似乎不可扩展。来自官方指南
注意：虽然这是一种方便的方法，但它的可移植性和可扩展性有限。它必须在创建生成器的同一个 python 进程中运行，并且仍然受 Python GIL 的约束。
https://www.tensorflow.org/guide/data#sumption_python_generators
并在官方文档中
注意：Dataset.from_generator() 的当前实现使用 tf.numpy_function 并继承相同的约束。特别是，它需要将与 Dataset 和 Iterator 相关的操作放置在与调用 Dataset.from_generator() 的 Python 程序相同的进程中的设备上。生成器的主体不会在 GraphDef 中序列化，如果您需要序列化模型并在不同的环境中恢复它，则不应使用此方法。
注意：如果生成器依赖于可变全局变量或其他外部状态，请注意运行时可能会多次调用生成器（以支持重复数据集）以及在调用 Dataset.from_generator() 和产生生成器的第一个元素。改变全局变量或外部状态可能会导致未定义的行为，我们建议您在调用 Dataset.from_generator() 之前在生成器中显式缓存任何外部状态。
https://www.tensorflow.org/api_docs/python/tf/data/Dataset#from_generator
然而，生成器是训练非常大量数据的一种相当常见的方法。所以必须有一些替代的最佳实践，但官方的 Tensorflow 数据指南没有提供任何信息。
我正在尝试查看可以枚举但不能索引的对象中的一些数据。我对 python 还是新手，但我不明白这是怎么可能的。
如果可以枚举它，为什么不能通过与枚举相同的方式访问索引？如果没有，有没有办法单独访问这些项目？
import tensorflow_datasets as tfds
train_validation_split = tfds.Split.TRAIN.subsplit([6, 4])
(train_data, validation_data), test_data = tfds.load(
name="imdb_reviews",
split=(train_validation_split, tfds.Split.TEST),
as_supervised=True)
选择数据集的一个子集
foo = train_data.take(5)
我可以foo用 enumerate迭代：
[In] for i, x in enumerate(foo):
print(i)
产生预期的输出：
0
1
2
3
4
但是，当我尝试对其进行索引时，出现foo[0]此错误：
---------------------------------------------------------------------------
TypeError Traceback (most recent call last)
<ipython-input-44-2acbea6d9862> in <module>
----> 1 foo[0]
TypeError: 'TakeDataset' object does not support indexing
在 TensorFlow 1.X 中，您可以使用占位符动态更改批次大小。例如
dataset.batch(batch_size=tf.placeholder())
查看完整示例
你如何在 TensorFlow 2.0 中做到这一点？
我已经尝试了以下但它不起作用。
import numpy as np
import tensorflow as tf
def new_gen_function():
for i in range(100):
yield np.ones(2).astype(np.float32)
batch_size = tf.Variable(5, trainable=False, dtype=tf.int64)
train_ds = tf.data.Dataset.from_generator(new_gen_function, output_types=(tf.float32)).batch(
batch_size=batch_size)
for data in train_ds:
print(data.shape[0])
batch_size.assign(10)
print(batch_size)
输出
5
<tf.Variable 'Variable:0' shape=() dtype=int64, numpy=10>
5
<tf.Variable 'Variable:0' shape=() dtype=int64, numpy=10>
5
<tf.Variable 'Variable:0' shape=() dtype=int64, numpy=10>
5
...
...
我正在使用 Gradient 磁带使用自定义训练循环训练模型。我怎样才能做到这一点？
嗨，我有一个我在 android 应用程序中使用的自定义模型，但是当我尝试运行它时，会抛出 MLkitExceptions，所述错误的日志输出如下：
Internal error has occurred when executing Firebase ML tasks
我的应用程序的 Java 代码如下所示：
Internal error has occurred when executing Firebase ML tasks
每当我尝试运行 FirebaseModelInterpreter 时，我都会收到该错误，而没有其他任何错误。
输入张量和输出张量的形状分别如下：
[1 3]
<class 'numpy.float32'>
[ 1 1 34]
<class 'numpy.int64'>
任何有关此问题的帮助或见解将不胜感激。
我正在尝试使用 MNIST 数据集训练深度神经网络。
BATCH_SIZE = 100
train_data = train_data.batch(BATCH_SIZE)
validation_data = validation_data.batch(num_validation_samples)
test_data = scaled_test_data.batch(num_test_samples)
validation_inputs, validation_targets = next(iter(validation_data))
input_size = 784
output_size = 10
hidden_layer_size = 50
model = tf.keras.Sequential([
tf.keras.layers.Flatten(input_shape=(28,28,1)),
tf.keras.layers.Dense(hidden_layer_size, activation='relu'),
tf.keras.layers.Dense(hidden_layer_size, activation='relu'),
tf.keras.layers.Dense(output_size, activation='softmax')
])
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
NUM_EPOCHS = 5
model.fit(train_data, epochs=NUM_EPOCHS, validation_data=(validation_inputs,validation_targets))
model.fit 抛出以下错误
-------------------------------------------------------------------------
--
ValueError Traceback (most recent call last)
<ipython-input-58-c083185dafc6> in <module>
1 NUM_EPOCHS = 5
----> 2 model.fit(train_data, epochs=NUM_EPOCHS, validation_data=(validation_inputs,validation_targets))
~/anaconda3/envs/py3-TF2/lib/python3.7/site-packages/tensorflow_core/python/keras/engine/training.py in fit(self, x, y, batch_size, epochs, verbose, callbacks, validation_split, …当 x 是tf.data数据集时，(inputs, targets)和 输入的元组是诸如{"fea_1": val_1, "fea_2": val_2…}、model.fit函数tensorflow/python/keras/engine/training.py不支持validation_data或 之类的特征的字典validation_split。
validation_split当 x 是数据集时不支持。validation_data仅支持 Numpy 数组或张量。
我可以takeor splitdataset to model.fitand model.evaluate，但它不能在每个纪元结束时执行验证。
tf.data.dataset当输入特征是字典时，有没有更好的方法来训练和评估？
我正在尝试实现一个非常简单的 keras 模型，该模型使用来自另一个模型的知识蒸馏 [1]。粗略地说，我需要更换原来的损失L(y_true, y_pred)由L(y_true, y_pred)+L(y_teacher_pred, y_pred)哪里y_teacher_pred是另一个模型的预测。
我试过做
def create_student_model_with_distillation(teacher_model):
inp = tf.keras.layers.Input(shape=(21,))
model = tf.keras.models.Sequential()
model.add(inp)
model.add(...)
model.add(tf.keras.layers.Dense(units=1))
teacher_pred = teacher_model(inp)
def my_loss(y_true,y_pred):
loss = tf.keras.losses.mean_squared_error(y_true, y_pred)
loss += tf.keras.losses.mean_squared_error(teacher_pred, y_pred)
return loss
model.compile(loss=my_loss, optimizer='adam')
return model
但是，当我尝试调用fit我的模型时，我得到了
TypeError: An op outside of the function building code is being passed
a "Graph" tensor. It is possible to have Graph tensors
leak out of the function building context by including a
tf.init_scope …我有两个模型，Tensorflow 2.0 中的模型 A 和 Pytorch 1.3 中的模型 B。模型 A 的输出是 B 的输入。我想端到端地训练这两个模型。
是否可以不将其中一个模型移植到另一个框架？
machine-learning deep-learning tensorflow pytorch tensorflow2.0
structured_input_signature在检查tf.ConcreteFunction.
在谷歌文档https://www.tensorflow.org/guide/concrete_function#using_a_concrete_function中返回一个元组。例如
@tf.function
def power(a,b):
print('Tracing "power"\n')
return a**b
float_power = power.get_concrete_function(
a = tf.TensorSpec(shape=[], dtype=tf.float32),
b = tf.TensorSpec(shape=[], dtype=tf.float32))
print(float_power.structured_input_signature)
print(float_power.structured_outputs)
印刷
Tracing "power"
((TensorSpec(shape=(), dtype=tf.float32, name='a'), TensorSpec(shape=(), dtype=tf.float32, name='b')), {})
Tensor("Identity:0", shape=(), dtype=float32)
然而，当模块被保存和加载时，输出略有不同：
float_power_mod = tf.Module()
float_power_mod.float_power = float_power
tf.saved_model.save(float_power_mod, './float_power_mod')
mod_4 = tf.saved_model.load('./float_power_mod')
float_power_func = mod_4.signatures['serving_default']
print(float_power_func.structured_input_signature)
印刷
((),
{'a': TensorSpec(shape=(), dtype=tf.float32, name='a'),
'b': TensorSpec(shape=(), dtype=tf.float32, name='b')})
在 Structured_input_signature 的返回元组中填充元组与字典背后的逻辑是什么？