[tensorflow] feed_dict 传入序列
2017-03-08 23:24
274 查看
当前, tensorflow(1.0)还不是很人性化。
在session中传入序列参数到图模型中并不是很方便。
所以,现在只能将序列中每一个元素对应的tensor和实际值对应写入dict进行传送。
比如,
定义图时,把将填入的tensor,先用placeholder占位:
with graph.as_default():
nn_weights = [tf.placeholder(tf.float32,
shape=(layer_params[ii], layer_params[ii+1]))
for ii in range(len(layer_params)-1)]
之后,在session中,目前来看必须一一对应地传值。
with tf.Session(graph=graph) as session:
tf.global_variables_initializer().run()
feed_dict = {ii:dd for ii, dd in zip(nn_weights, real_nn_weights)}
result = session.run(some_value, feed_dict=feed_dict)
不过,目前有了tensorboard,想必tensorflow团体正在使tensorflow更加人性化。
在session中传入序列参数到图模型中并不是很方便。
所以,现在只能将序列中每一个元素对应的tensor和实际值对应写入dict进行传送。
比如,
定义图时,把将填入的tensor,先用placeholder占位:
with graph.as_default():
nn_weights = [tf.placeholder(tf.float32,
shape=(layer_params[ii], layer_params[ii+1]))
for ii in range(len(layer_params)-1)]
之后,在session中,目前来看必须一一对应地传值。
with tf.Session(graph=graph) as session:
tf.global_variables_initializer().run()
feed_dict = {ii:dd for ii, dd in zip(nn_weights, real_nn_weights)}
result = session.run(some_value, feed_dict=feed_dict)
不过,目前有了tensorboard,想必tensorflow团体正在使tensorflow更加人性化。
相关文章推荐
- 【Tensorflow】报错:Cannot interpret feed_dict key as Tensor: The name 'x' refers to an operation, # > no
- Tensorflow中的placeholder和feed_dict的使用
- tensorflow feed_dict()
- TensorFlow学习笔记3——Placeholders and feed_dict
- tensorflow48 《面向机器智能的TensorFlow实战》笔记-03-03 tensorflow基本矢量图、summary、feed_dict
- Tensorflow中placeholder传入值与feed_dict喂食器的联系与用法
- TF:TF定义两个变量相乘之placeholder先hold类似变量+feed_dict最后外界传入值—Jason niu
- 简单的Tensorflow(3):使用feed_dict字典填充
- 记一次失败的tensorflow之旅(将feed_dict改为queue异步)
- Placeholders and feed_dict
- tensorflow学习之二:通过feed_dict 的方式输入数据并注意一点地方
- TensorFlow(三) 构建常量,构建序列,构建张量的常用 API
- tensorflow:用dynamic_rnn处理不定长序列,对序列做padding处理
- Variable 与 placeholder 之间的区别 + feed_dict
- Tensorflow 官方文档 Feed章节有误
- TensorFlow入门(六) 双端 LSTM 实现序列标注(分词)
- 使用TensorFlow的递归神经网络(LSTM)进行序列预测
- Tensorflow:fully_connected_feed.py运行报错
- sparse_tensor feed_dict的时候十分不方便。
- 86、使用Tensorflow实现,LSTM的时间序列预测,预测正弦函数