cuando trato de instalar tensorflow clonando desde git, me encuentro con el error “no hay un módulo llamado copyreg”, así que intenté instalar usando un virtualenv. Sin embargo, luego encuentro este error: pip install https://storage.googleapis.com/tensorflow/mac/tensorflow-0.5.0-py2-none-any.whl tensorflow-0.5.0-py2-none-any.whl is not a supported wheel on this platform. No veo esto en la sección de problemas comunes, por lo […]
Tengo problemas para importar Tensorflow en python3: >>> import tensorflow as tf Traceback (most recent call last): File “/usr/local/lib/python3.5/dist-packages/tensorflow/python/pywrap_tensorflow.py”, line 41, in from tensorflow.python.pywrap_tensorflow_internal import * File “/usr/local/lib/python3.5/dist-packages/tensorflow/python/pywrap_tensorflow_internal.py”, line 28, in _pywrap_tensorflow_internal = swig_import_helper() File “/usr/local/lib/python3.5/dist-packages/tensorflow/python/pywrap_tensorflow_internal.py”, line 24, in swig_import_helper _mod = imp.load_module(‘_pywrap_tensorflow_internal’, fp, pathname, description) File “/usr/lib/python3.5/imp.py”, line 242, in load_module return load_dynamic(name, filename, […]
La forma oficial de visualizar un gráfico de TensorFlow es con TensorBoard, pero a veces solo quiero echar un rápido vistazo al gráfico cuando estoy trabajando en Jupyter. ¿Existe una solución rápida, idealmente basada en herramientas TensorFlow, o paquetes SciPy estándar (como matplotlib), pero si es necesario en base a bibliotecas de terceros?
Actualmente estoy implementando YOLO en TensorFlow y estoy un poco sorprendido de la cantidad de memoria que está tomando. En mi GPU puedo entrenar YOLO usando su marco Darknet con el tamaño de lote 64. En TensorFlow solo puedo hacerlo con el tamaño de lote 6, con 8 ya me quedo sin memoria. Para la […]
Instalé TensorFlow en mi máquina Ubuntu 15.10 como se indica solo para CPU: $ pip install https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.5.0-cp27-none-linux_x86_64.whl Luego, cuando ejecuto Python REPL e importo tensorflow, obtengo: $ python Python 2.7.10 (default, Oct 14 2015, 16:09:02) [GCC 5.2.1 20151010] on linux2 Type “help”, “copyright”, “credits” or “license” for more information. >>> import tensorflow as tf Traceback […]
Quiero comparar los valores pronosticados yp de mi neural network de forma pareja, y entonces estaba usando (en mi antigua implementación numpy): idx = np.repeat(np.arange(len(yp)), len(yp)) jdx = np.tile(np.arange(len(yp)), len(yp)) s = yp[[idx]] – yp[[jdx]] Esto básicamente crea una malla de indexación que luego uso. idx=[0,0,0,1,1,1,…] mientras que jdx=[0,1,2,0,1,2…] . No sé si hay una […]
Tengo un gráfico computacional de TensorFlow para un tensor de pérdida L que depende de 2 tf.Variables, A y B. Me gustaría ejecutar el ascenso de gradiente en la variable A (A + = gradiente de L wrt A) mientras mantengo B fijo, y viceversa – ejecutar el ascenso de gradiente en B (B + […]
Descubrí que Tensorflow proporciona scatter_update() para asignar valores al sector de un tensor en la dimensión 0. Por ejemplo, si el tensor T es tridimensional, puedo asignar el valor v[1, :, :] a T[i, :, :] . a = tf.Variable(tf.zeros([10,36,36])) value = np.ones([1,36,36]) d = tf.scatter_update(a,[0],value) with tf.Session() as sess: sess.run(tf.initialize_all_variables()) print a.eval() sess.run(d) print […]
Me confundí sobre los dos conceptos: la In-graph replication y la In-graph replication Between-graph replication al leer el entrenamiento Replicado en el How-to oficial de tensorflow. Se dice en el enlace de arriba que Replicación en el gráfico. En este enfoque, el cliente crea un tf.Graph único que contiene un conjunto de parámetros (en tf. […]
Estoy construyendo un perceptrón multicapa simple con TensorFlow, y también necesito obtener los gradientes (o la señal de error) de la pérdida en las entradas de la neural network. Aquí está mi código, que funciona: cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(self.network, self.y)) optimizer = tf.train.AdagradOptimizer(learning_rate=nn_learning_rate).minimize(cost) … for i in range(epochs): …. for batch in batches: … sess.run(optimizer, feed_dict=feed_dict) […]