问题标签 [tf.keras]

我正在尝试运行一些代码来创建 LSTM 模型，但出现错误：

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

我的代码如下：

我发现其他人有类似的问题，他们更新了 tensorflow 并且它有效；但我的是最新的，仍然无法正常工作。我是使用 keras 和机器学习的新手，所以如果这很愚蠢，我深表歉意！

tensorflow.contrib我有一个使用Python API在 TensorFlow 1.3、Keras 2.0.6-tf 上训练的模型。奇迹般有效。

但是当我在 TensorFlow 1.4（或更高版本）环境中加载模型时，预测是不变的，即不正确。没有任何错误消息。

我所做的就是：

独立加载模型和权重，而不仅仅是模型.h5文件，没有任何区别。

这是一个已知问题，如果是，是否有解决方法？

谢谢你的帮助。

这是模型的h5 文件。如果它有助于解决这个谜团，这里是模型摘要：

我正在使用tensorflow.keras以构建具有 3 个密集层的简单神经网络。我能够成功地训练模型 9000 个MSEepoch，达到 0.0496 的均方误差 ( )。然而恢复模型，它在大约 57 开始训练MSE。

这可能表明模型权重未成功加载，但从头开始重新启动训练过程（不加载先前保存的权重）时，MSE从大约 +9000 开始。

编辑：

1. 那么这是一个正常的问题，还是我做错了什么？
2. 为什么即使经过 9000 个 epochs，准确率也总是 0.0？

我的代码如下：

输出：

提前致谢。

与（图像，掩码）数据生成器中的 keras 文档一样，我创建了具有（输入，输出）元组图像的数据生成 器。
在我的笔记本电脑上本地运行时（使用 tensorflow 1.13.1），它运行没有问题，但是在服务器上运行时（使用 tensorflow- gpu 1.13.1），我收到错误：

就像在示例中一样，在使用 flow_from_directory 创建了两个生成器之后：

我在 keras 文档中将它们组合在一起：

并将它们提供给 fit_generator(...)

目前使用函数解决了它，以生成新的组合生成器，如下所示：

虽然我仍然想了解为什么 tensorflow cpu 版本没有出现此错误，以及为什么 gpu 版本不支持 zip...

我正在用 tf.keras 训练 CNN。保存检查点后，Keras 没有开始下一个时代

注意： 1）作为保护程序使用 tf.keras.callbacks.ModelCeckpoint 2）用于训练使用 fit_generator()

实际结果它停止训练没有任何问题。预期结果将在下一个时代进行。

自定义单元格采用 ( input,state ) 并生成 ( output,state )。我相信输入是张量，状态是张量列表。从通过错误消息的斗争来看，张量似乎带有一个额外的维度，但我不确定在 RNN 的上下文中会是什么。另一个维度是干什么用的？预期的输出尺寸/形状是多少？

顺便说一句，我正在使用 Tensorflow 后端。

我正在尝试使用模型子类化方法实现一个简单的类似 UNet 的模型。这是我的代码：

我收到以下错误：

我不确定这是否是在 tf.keras 中实现网络的正确方法我的想法是通过子类化 keras 层和稍后对模型进行子类化来实现编码器和解码器块。

我目前正在尝试在顺序设置中实现变分自动编码器的一个版本。我使用 Eager Execution 模式在 TensorFlow 上工作。

作为问题设置，我有两个变量序列：动作（2D）和观察（2D）。假设动作影响观察。目标是根据动作对观察序列进行建模（恢复）。为此，我们从潜在变量（隐藏）中“寻求帮助”，与 VAE 类似，但以顺序方式。

下面是问题的生成流程。o、a 和 s 分别是观察变量、动作变量和潜在变量。

建模问题的生成流程

就像 VAE 一样，神经网络用于参数化相关变量的分布。在这里，我假设所有变量都遵循一些具有完整对角协方差矩阵（没有协方差）的多元正态。

这里涉及三个神经网络：推理、转换和生成网络。它们中的每一个都发出相应变量的均值和对数方差向量。这里给出了所有这些网络的图片： 三网关系

图片议程： A：来自推理网络的潜在变量的平均值 B：来自推理网络 的潜在变量的对数方差C ：来自转换网络的潜在变量的平均值 D：来自转换网络 的潜在变量的对数方差E ：预测观察的平均值 F ：预测观察的对数方差

我们想要最小化的损失是负 ELBO。而 ELBO 本身等于真实观察的对数似然，给定 E 和 F减去AB 和 CD 之间的 Kullback-Leibler 距离。

由于问题导致非标准 RNN 单元和输入输出流，因此我创建了自己的 RNNcell，然后将其传递给 tf.nn.raw_rnn API。

下面是我的代码实现：

最后一行导致过渡网络和生成网络的梯度为零，因此我无法继续进行。有谁知道为什么过渡和生成网络的梯度为零？我想，我创建模型的代码仍然是错误的。但我没有任何改进它的想法。

我想在训练期间使用 Tensorflow 的 keras 实现和 Adam 来试验衰减。看起来model.optimizer.lr只是基础学习率，不会随着衰减而改变。对于监控和可视化，看到实际使用价值会让人放心。是否可以直接获得（无需并行计算并假设您的数学运算正确）？

我正在尝试使用 Keras 重写 waveGAN。（https://github.com/chrisdonahue/wavegan/）这是我目前所拥有的：

发电机：

鉴别器：

我给卷积层的这些维度是否正确？如果有张量流和卷积网络经验的人可以在这里提供一些见解，那将会很有帮助。