TypeError: sigmoid_cross_entropy_with_logits() 参数错误怎么改

zyq_go 2019-01-10 07:43:00

TypeError: sigmoid_cross_entropy_with_logits() got an unexpected keyword argument 'targets'

...全文

507 2 打赏收藏转发到动态举报

写回复

2 条回复

切换为时间正序

请发表友善的回复…

发表回复

买猫咪的小鱼干 2020-09-29

打赏
举报

回复 2

改成'labels'试试

陈年椰子 2019-01-11

打赏
举报

回复

是Tensorflow出错，看看是什么版本的？升级到最高版本试试。

转自:http://bbs.csdn.net/topics/392087841 我的电脑是windows7系统，安装了anaconda，里面是python3.5。按照DCGAN-tensorflow-master的readme 在命令行中，转换到工作目录下，第一步输入了python download.py mnist 第二步输入main.py --dataset

生成对抗网络（GAN）是一种通过博弈学习数据分布的无监督生成模型，其核心在于生成器与判别器的动态梯度平衡。在TensorFlow中实现时，关键挑战并非理论理解，而是张量形状对齐、GradientTape显式追踪、混合精度训练稳定性等框架特有机制。本文聚焦DCGAN这一基础但极具代表性的结构，深入解析tf.data高效数据流构建、Conv2DTranspose初始化陷阱、LeakyReLU(alpha=0.2)的梯度保障作用、from_logits=True的数值稳定性价值，以及WGAN-GP梯度惩罚的原生实

张量是带类型、形状与值域约束的多维数据契约，计算图是可序列化、跨设备移植的执行蓝图，会话则是统筹设备分配、内存管理与状态维护的资源调度中枢——这三者共同构成TensorFlow底层运行范式的基石。理解它们，不只是掌握API调用，更是建立AI工程中‘定义即校验、构建即部署’的可靠思维。在推荐系统等高并发、多环境落地场景中，显式图机制保障了从CPU训练、GPU加速到移动端推理的一致性；张量契约避免线上线下特征不一致；会话生命周期管理决定模型能否真正收敛。本文以电商冷启动推荐为背景，深入TensorFlow 1.

强化学习中的奖励建模（Reward Modeling）是大模型价值对齐的核心环节，其本质并非监督学习的标签预测，而是通过Bradley-Terry等相对偏好建模方法，将模糊、稀疏、带噪声的人类反馈转化为可优化的reward signal。这一过程直接决定PPO策略更新的方向性与安全性，技术关键在于避免reward hacking、控制KL散度漂移，并保障reward signal与真实人类偏好的统计一致性。在医疗问答、编程助手、法律摘要等垂直场景中，高质量偏好数据构建、分层KL监控、role-aware p

在人工智能与机器学习领域，论文阅读不是信息接收，而是技术资产构建过程。其核心在于理解模型原理、识别可复现的技术单元、评估工程约束条件，并将学术成果转化为可调试、可验证、可集成的代码模块。尤其面对arXiv预印本和Medium类平台的‘知识中介化’内容（如Towards AI推荐），关键挑战在于剥离二手解读、还原原始技术上下文、规避隐含假设陷阱。本文聚焦‘问题驱动型深读’范式，通过四层过滤漏斗、三色笔预处理、逆向工程图谱与72小时复现冲刺等工程化手段，系统解决论文落地难、复现失败率高、结果不可对齐等一线实践痛

37,738

社区成员

34,210

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

试试用AI创作助手写篇文章吧

+ 用AI写文章