小编Ten*_*ort的帖子

On Tensorflow 2.0, whenever I pass a Pandas DataFrame as the input, then Tensorflow works fine but prints out a warning WARNING:tensorflow:Falling back from v2 loop because of error: Failed to find data adapter that can handle input: <class 'pandas.core.frame.DataFrame'>, <class 'NoneType'>. I don't recall ever getting that error with TF 1.x so this must be new. But why is it a warning?

I understand what it's asking for, and yes, converting that DataFrame to a pure numpy array …

我在尝试在android中应用tensorflow model（.pb）时遇到错误，该模型已成功加载，但是在收到此错误之后，我在CPU上训练了tensorflow模型。任何帮助将不胜感激。

没有注册任何OpKernel支持这些属性的Op'Round'。注册设备：[CPU]，注册内核：

谢谢。

好的，所以在我的应用程序中，我尝试使用人脸网络模型实现人脸识别，该模型转换为 tflite 平均约为 93 MB，但是该模型最终会增加我的 apk 的大小。所以我正在努力寻找替代方法来处理这个问题

首先我能想到的是以某种方式压缩它，然后在安装应用程序时解压缩

另一种方法是我应该将该模型上传到服务器，并在下载后将其加载到我的应用程序中。但是我似乎不知道如何实现这一点：

默认情况下，face net 允许从 assets 文件夹中实现

 var facenet = FaceNet(getAssets());

但是，如果我正在下载该模型，如何将其加载到我的应用程序中？

这是我的脸网初始化代码：

  public FaceNet(AssetManager assetManager) throws IOException {
        tfliteModel = loadModelFile(assetManager);
        tflite = new Interpreter(tfliteModel, tfliteOptions);
        imgData = ByteBuffer.allocateDirect(
                BATCH_SIZE
                        * IMAGE_HEIGHT
                        * IMAGE_WIDTH
                        * NUM_CHANNELS
                        * NUM_BYTES_PER_CHANNEL);
        imgData.order(ByteOrder.nativeOrder());
    }   


private MappedByteBuffer loadModelFile(AssetManager assetManager) throws IOException {
            AssetFileDescriptor fileDescriptor = assetManager.openFd(MODEL_PATH);
            FileInputStream inputStream = new FileInputStream(fileDescriptor.getFileDescriptor());
            FileChannel fileChannel = inputStream.getChannel();
            long startOffset = fileDescriptor.getStartOffset();
            long declaredLength = fileDescriptor.getDeclaredLength();
            return fileChannel.map(FileChannel.MapMode.READ_ONLY, startOffset, declaredLength); …

我试图在 PyCharm 中运行以下代码行，并且安装并导入了 tensorflow_hub。

use = hub.load("https://tfhub.dev/google/universal-sentence-encoder-multilingual-large/3")

对于以下错误有什么建议吗？因为我的项目需要这个。

Traceback (most recent call last):
  File "C:\Users\Jon10\miniconda3\envs\tensorflow\lib\site-packages\tensorflow_core\python\framework\ops.py", line 3820, in _get_op_def
    return self._op_def_cache[type]
KeyError: 'SentencepieceOp'

在处理上述异常的过程中，又发生了一个异常：

Traceback (most recent call last):
  File "C:/Users/Jon10/OneDrive/Documents/Computer Science/Dissertation/PythonPractice/TFTest/test.py", line 28, in <module>
    use = hub.load("https://tfhub.dev/google/universal-sentence-encoder-multilingual-large/3")
  File "C:\Users\Jon10\miniconda3\envs\tensorflow\lib\site-packages\tensorflow_hub\module_v2.py", line 102, in load
    obj = tf_v1.saved_model.load_v2(module_path, tags=tags)
  File "C:\Users\Jon10\miniconda3\envs\tensorflow\lib\site-packages\tensorflow_core\python\saved_model\load.py", line 517, in load
    return load_internal(export_dir, tags)
  File "C:\Users\Jon10\miniconda3\envs\tensorflow\lib\site-packages\tensorflow_core\python\saved_model\load.py", line 541, in load_internal
    export_dir)
  File "C:\Users\Jon10\miniconda3\envs\tensorflow\lib\site-packages\tensorflow_core\python\saved_model\load.py", line 114, in __init__
    meta_graph.graph_def.library))
  File "C:\Users\Jon10\miniconda3\envs\tensorflow\lib\site-packages\tensorflow_core\python\saved_model\function_deserialization.py", line 312, in load_function_def_library
    copy, copy_functions=False) …

据我了解，TensorFlow 使用MLMD来记录和检索与工作流相关的元数据。这可能包括：

1. 管道组件的结果
2. 关于通过管道组件生成的工件的元数据
3. 有关这些组件执行的元数据
4. 关于管道和相关血统信息的元数据

特征：

以上（例如#1 又名“组件结果”）是否暗示 MLMD 存储实际数据？（例如机器学习训练的输入特征？）。如果不是，管道组件的结果是什么意思？

编排和管道历史：

此外，当使用 TFX 与例如 AirFlow 时，它使用自己的元存储（例如关于 DAG、它们的运行和其他 Airflow 配置（如用户、角色和连接）的元数据）MLMD 是否存储冗余信息？它会取代它吗？

我tf.keras.Model在将自定义循环中经过训练的子类模型 ( )转换为 TFLite 时遇到问题。

假设我们有一个小的 CNN 架构，它使用输入数据 ( x) 和取决于批量大小和其他维度 ( add_info) 的附加信息：

class ContextExtractor(tf.keras.Model):
    def __init__(self):
        super().__init__()
        self.model = self.__get_model()

    def call(self, x, training=False, **kwargs):
        b, h, w, c = x.shape
        add_info = tf.zeros((b, h, w, c), dtype=tf.float32) 
        features = self.model(tf.concat([x, add_info], axis=-1), training=training)
        return features

    def __get_model(self):
        return self.__get_small_cnn()

    def __get_small_cnn(self):
        model = tf.keras.Sequential()
        model.add(layers.Conv2D(32, (3, 3), strides=(2, 2), padding='same'))
        model.add(layers.LeakyReLU(alpha=0.2))

        model.add(layers.Conv2D(32, (3, 3), strides=(2, 2), padding='same'))
        model.add(layers.LeakyReLU(alpha=0.2))

        model.add(layers.Conv2D(64, (3, 3), strides=(2, 2), …

我正在查看Tensorflow tf.nn.quantized_conv2d函数，并且想知道qint8等确切是什么数据类型，特别是如果它们是tf.contrib.quantize中用于“伪量化节点”的数据类型，或者实际上使用8位（用于qint8）存储在内存中。

我知道它们是在tf.dtypes.DType中定义的，但是没有关于它们实际是什么的任何信息。

我正在使用 ML 套件集成对象检测我正在使用 firebase ML 创建自定义 tflite 模型并按照此文档https://firebase.google.com/docs/ml-kit/android/use-custom-models加载自定义模型但得到加载模型时出现以下错误

com.google.firebase.ml.common.FirebaseMLException：本地模型加载失败，模型选项为：本地模型名称：模型名称。远程型号名称：未指定。

   private fun configureLocalModelSource() {
        // [START mlkit_local_model_source]
        val localSource = FirebaseLocalModel.Builder("my_local_model") // Assign a name to this model
                .setAssetFilePath("my_model.tflite")
                .build()
        FirebaseModelManager.getInstance().registerLocalModel(localSource)
        // [END mlkit_local_model_source]
    }

    @Throws(FirebaseMLException::class)
    private fun createInterpreter(): FirebaseModelInterpreter? {
        // [START mlkit_create_interpreter]
        val options = FirebaseModelOptions.Builder()
                .setRemoteModelName("my_cloud_model")
                .setLocalModelName("my_local_model")
                .build()
        val interpreter = FirebaseModelInterpreter.getInstance(options)
        // [END mlkit_create_interpreter]

        return interpreter
    }