tensorflow 代码问题求解

m0_57756523 2021-05-05 04:52:55
import tensorflow as tf import numpy as np import pandas as pd from sklearn.datasets import load_iris#导入数据集合 x_data=load_iris().data#导入特征数据集合 y_data=load_iris().target#导入标签数据集合 x_train=x_data[:-30]#特征数据数据训练集 x_test=x_data[-30:]#特征数据数据测试集 y_train=y_data[:-30]#标签数据训练集 y_test=y_data[-30:]#标签数据测试集 np.random.seed(1)#随机种子,保持看乱序一致 np.random.shuffle(x_train)#乱序 np.random.seed(1) np.random.shuffle(y_train)#乱序 tf.random.set_seed(111) train_db=tf.data.Dataset.from_tensor_slices((x_train,y_train)).batch(32)#数据切割把数组切位单独张量后,对数据打包 # for i in train_db: #     print(i) w=tf.Variable(tf.random.truncated_normal([4,3],seed=1))#初始化参数,并设定为可训练变量 b=tf.Variable(tf.random.truncated_normal([3],seed=1))#初始化参数,并设定为可训练变量 epoch=100 loss_all=0 train_loss_result=[] test_acc=[] lr=0.2 # for i in epoch for step,(x,y) in enumerate(train_db):     with tf.GradientTape() as tape:        x=tf.cast(x,dtype="float64") #        print(x)        w=tf.cast(w,dtype="float64") #        print(w)        b=tf.cast(b,dtype="float64")        y_train=tf.one_hot(tf.cast(y,dtype="int32"),depth=3)        y_test=tf.one_hot(tf.cast(y_test,dtype="int32"),depth=3)        y_pred=tf.matmul(x,w)+b        loss=tf.nn.softmax_cross_entropy_with_logits(y_train,y_pred)        loss_mean=tf.reduce_mean(loss)  #        print(loss_mean)     grad=tape.gradient(loss_mean,[w,b])      #     w=w-lr*grad[0] #     b=b-lr*grad[1]     print(type(grad[0]))     if step==1:         break # # loss_all+=loss_mean 运行结果: <class 'tensorflow.python.framework.ops.EagerTensor'> <class 'NoneType'> 上面代码,在进行循环是,第一次step循环,在计算w,b 梯度是,有值,进入第二次循环是,报出空值,感谢大神求解问题在哪?
...全文
55 2 打赏 收藏 转发到动态 举报
AI 作业
写回复
用AI写文章
2 条回复
切换为时间正序
请发表友善的回复…
发表回复
m0_57756523 2021-05-05
  • 打赏
  • 举报
回复
今天检查了一下,知道原因了,因为在更改数据为float64时,把b,w 的viriable 类型改为了tensor类型,因此导致数据无法在求梯度的时候,无法更新参数
m0_57756523 2021-05-05
  • 打赏
  • 举报
回复
哪位大神给予解答
内容概要:本文探讨了基于 TensorFlow 构建 CFD(计算流体动力学)求解器以加速注塑成型工艺验证的过程。首先介绍了复杂流体模拟和注塑成型工艺的基本概念及其面临的挑战。随后详细阐述了 CFD 求解器的基础理论和 TensorFlow 的相关知识,包括 CFD 的基本原理、求解方法和工作流程,以及 TensorFlow 的计算图和深度学习功能。接着,文章描述了如何基于 TensorFlow 实现 CFD 求解器的具体步骤,包括环境搭建、控制方程的离散化、求解器的实现与优化、边界条件的处理等。此外,文章还讨论了加速注塑成型工艺验证的策略,如基于数据驱动的参数优化、模型简化与并行计算、实时监测与反馈调整等。最后,通过实验结果和实际案例分析,展示了该求解器在提高生产效率、降低成本和推动技术创新方面的显著效果。 适合人群:具备一定编程基础,尤其是对计算流体动力学和深度学习有一定了解的研发人员、工程师和研究人员。 使用场景及目标:①理解复杂流体模拟和注塑成型工艺的基本原理;②掌握基于 TensorFlow 构建 CFD 求解器的方法和技术;③学习如何通过加速策略优化注塑成型工艺验证过程,提高生产效率和产品质量。 其他说明:本文不仅提供了理论知识,还包含了大量实例代码和实验数据,帮助读者更好地理解和实践。同时,文章也指出了当前技术存在的挑战和未来的研究方向,为后续的研究和应用提供了参考。
内容概要:本文探讨了利用TensorFlow结合物理信息神经网络(PINNs)求解托卡马克磁场方程以优化可控核聚变的方法。首先介绍了可控核聚变的基本原理及其重要性,特别是托卡马克装置在其中的关键作用。接着阐述了托卡马克磁场方程的基础理论,包括麦克斯韦方程组的应用。随后介绍了TensorFlow和PINNs的基本概念及其结合的优势。文章详细描述了使用TensorFlow PINNs求解托卡马克磁场方程的具体步骤,包括问题定义、数据准备、神经网络构建、损失函数定义、模型训练及结果验证。最后,文章讨论了该方法的应用场景,如托卡马克装置设计优化、等离子体控制与诊断,以及对核聚变能源开发和商业化的推动作用,并展望了未来的研究方向和技术发展趋势。 适合人群:对可控核聚变技术、托卡马克装置、电磁场理论、机器学习及物理信息神经网络感兴趣的科研人员和工程师。 使用场景及目标:①帮助科研人员理解如何使用TensorFlow PINNs求解复杂的托卡马克磁场方程;②为托卡马克装置的设计和优化提供理论支持和技术指导;③推动核聚变能源的开发和商业化进程,提高能源利用效率。 其他说明:本文不仅提供了理论分析,还附带了完整的代码实现和案例分析,便于读者理解和实践。文中还讨论了多种优化策略,如神经网络架构优化、损失函数优化、训练过程优化和数据采样优化,以提高求解精度和效率。此外,文章指出了该方法的局限性,并对未来的研究方向进行了展望。

37,743

社区成员

发帖
与我相关
我的任务
社区描述
JavaScript,VBScript,AngleScript,ActionScript,Shell,Perl,Ruby,Lua,Tcl,Scala,MaxScript 等脚本语言交流。
社区管理员
  • 脚本语言(Perl/Python)社区
  • WuKongSecurity@BOB
加入社区
  • 近7日
  • 近30日
  • 至今

试试用AI创作助手写篇文章吧