求知道 tensorflow中训练LSTM模型弹出的LOSS结果

qq_22779069 2018-04-09 04:39:48

如题，在使用LSTM模型时，预测结果显示
INFO:tensorflow:step=101,loss=18.08888
.......

INFO:tensorflow:loss for final step:6.22222
INFO:tensorflow:saving dict for global step 100:gloabal_step=100,loss=0.95371......

请问，该参数下的loss值到底以哪个为准？？是final step loss 还是最后一句里的loss或者其他值？

...全文

998 1 打赏收藏转发到动态举报

写回复

1 条回复

切换为时间正序

请发表友善的回复…

发表回复

山椒π 2018-04-11

打赏
举报

回复

loss=0.95371

在训练TensorFlow模型的时候，我们传统的做法是在每个Epoch将数据通过feed_dict导入到session中，即不断地从Python到C++之间来回切换，这种做法十分不高效。而且，训练操作与导入数据操作都是属于同一个主线程，它们属于同步操作，训练操作必须等待导入数据操作完成以后才开始执行。这种做法带来的就是运行效率底下，我们应该赶紧抛弃，取而代之的是TensorFlow中的线程和队列。

本文主要改写了一下"Sequence Tagging with Tensorflow"程序。原文是基于英文的命名实体识别(named entity recognition)问题，由于博主找不到相应的中文数据集(其实是没备份数据丢了，如果有同学提供，万分感谢)。因此，本文用了msra的分词数据。另外，由于用到了词向量，所以用了搜狗实验室发布的2008新闻数据，提前训练了300维度的字向量（用的gen

示例1. 基于逻辑回归与词袋模式(BOW)的文本分类器完整代码结果2. 词嵌入：编码形式的词汇语义2.1 N-Gram语言模型完整代码结果2.2 计算连续词袋模型(CBOW)的词向量完整代码结果3. 序列模型和长短句记忆（LSTM）模型完整代码结果4. 高级：制定动态决策和BI-LSTM CRF代码结果小结 1. 基于逻辑回归与词袋模式(BOW)的文本分类器原教程网站模型将会把BOW表示映射成标签上的对数概率。我们为词汇中的每个词指定一个索引。例如，我们所有的词汇是两个单词“hello”和"world"

原文：Mobile Deep Learning with TensorFlow Lite, ML Kit and Flutter 协议：CC BY-NC-SA 4.0 译者：飞龙本文来自【ApacheCN 深度学习译文集】，采用译后编辑（MTPE）流程来尽可能提升效率。不要担心自己的形象，只关心如何实现目标。——《原则》，生活原则 2.3.c 六、构建人工智能认证系统认证是任何应用中最突出的功能之一，无论它是本机移动软件还是网站，并且自从保护数据的需求以及与机密有关的隐私需求开始以来，认证一直是

今天学长向大家介绍LSTM基础基于LSTM的预测算法 - 股票预测天气预测房价预测。

Linux/Unix社区

23,121

社区成员

74,508

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章