我需要一个结构化的数据集来处理可变数量的输入图像（一组图像）以针对 integer 目标变量进行回归。 我用来获取图像的代码是这样的： 此代码因 TypeError（ TypeError: path should be path-like or io.BytesIO, not <class ' ...
我想了解是否有一种体面的、张量的方式来进行转换。 基本上每个字符串（行）为几个单词，每个单词都有一个像“%1”这样的后缀，目标是剥离字符串，只留下后缀值<=某个目标值的单词。 使用常规的 python 编程并不难实现。 但我正在考虑将步骤添加到 tf 计算图中，因此首选更 tensorflow ...
我将创建一个 Pandas DataFrame，其中每个特定(index, column)位置可以是任意形状的 numpy ndarray，甚至是一个简单的数字。 这有效： 但在我的电脑上创建需要 50 秒！ 为什么？ np.random.rand(100, 100, 20, 2)单独是超 ...
我需要连接两个参差不齐的张量，将最后一个维度保持为固定大小2 。 检查model.output_shape我得到了想要的(None, None, 2) 。 但是当我调用模型时，我得到(batch_size, None, None) 。 如何获得正确的形状？ 代码： import tensorflow ...
我有一个由两个参差不齐的张量组成的张量切片数据集。 张量_a 就像： <tf.RaggedTensor [[3, 3, 5], [3, 3, 14, 4, 17, 20], [3, 14, 22, 17]]> tensor_b 就像： <tf.RaggedTensor [[-1 ...
如何将参差不齐的张量保存为磁盘上的文件，然后在从磁盘打开它的计算中重新使用它？ 张量由嵌套的数字数组组成，点后有 4 个符号。 （我在 Google Colab 工作并使用 Google 磁盘保存我的文件，我只知道 Python 一点点）。 这是我的数据：我采用“sim_fasttex”这一列， ...
我用下面的行创建了一个随机 function x = 火炬.randn(4, 3) 并使用转置 function 如下所示 torch.transpose(x, 0, 1) 我得到了下面的错误行。 谁可以提供解决方案 IndexError Traceback (last last call la ...
我正在使用 tensorflow v2.7.0 并尝试使用不规则张量创建 ML model。 问题是 tf.linalg.diag、tf.matmul 和 tf.linalg.det 不适用于不规则张量。 我通过转换 numpy 中的参差不齐的张量并将其转换回参差不齐的张量找到了一种解决方法，但是在 ...
这个 Tensorflow 文档给出了在不规则张量上使用tf.map_fn示例，该张量适用于 Tensorflow 2.4.1 及更高版本： 但是，在 Tensorflow 2.4.1 或 Tensorflow 2.5 中运行时，以下示例会导致错误“'RaggedTensor' 类型的对象没有 ...
赏金将在 3 小时后到期。 此问题的答案有资格获得+100声望奖励。 Ouwen Huang正在寻找可靠来源的答案 ...
我有一个形状为 (batch_size, None, None, 100) 的 4D RaggedTensor，我想从中创建一个形状为 (batch_size, None, 100) 的张量。 所以基本上合并第一个和第二个维度，但不包括任何填充（[1,2,3]，[4] => [1,2,3,4 ...
我有一个 2D RaggedTensor，其中包含我想要的完整张量每一行的索引，例如： 进入 给 我怎样才能以最有效的方式实现这一点（最好只使用tf函数）？ 我相信像gather_nd这样的东西能够使用RaggedTensors，但我不知道它是如何工作的。 ...
像这样： ''' ''' 我得到了一个形状为 [4, None, None] 的张量，但我期望 [4, None, 3], ...
我有一个参差不齐的张量[BATCH_SIZE, TIME_STEPS, EMBEDDING_DIM] 。 我想用来自另一个形状[BATCH_SIZE, AUG_DIM]的张量的数据来增加最后一个轴。 给定示例的每个时间步都会增加相同的值。 如果张量没有因每个示例的TIME_STEPS变化而参差不齐， ...
我创建了一个使用 RaggedTensors 的 TensorFlow model。 Model 工作正常，当调用model.predict时，我得到了预期的结果。 我已将 model 部署到 TensorFlow 服务服务器，并使用以下代码调用： 但后来我收到以下错误： 我的 model 描述： ...