在构造CNN以及LSTM等模型的时候，需要重复使用共享权重。但是tensorflow默认是不允许重复使用变量的，会报一些InvalidArgumentError或者Attemping to use uninitialized value等错误。解决方法是使用variable_scope，并且设置该variable_scope的reuse=True。设置方法由两个：with tf.variable_

来源于解决一个csdn中的问答，问答链接：http://ask.csdn.net/questions/652382#answer_460706笔者想到的方法就是直接把bool类型转换到int处理，之后方法就很多样了（求和、求最小值等等，总归是利用一些全一序列的性质）。下面给一个例子： a = tf.placeholder(tf.int32,[2,])b = tf.placeholder(tf.i

纯粹搬运工，接受英语的请看原网址：Keras Tensorflow backend automatically allocates all GPU memory。通过设置Keras的Tensorflow后端的全局变量达到。import osimport tensorflow as tfimport keras.backend.tensorflow_backend as KTFdef get_se

其实问题也不大，但是充分反映了需要仔细阅读错误代码，才能快速准确的解决问题。系统环境：Ubuntu16.04 + GTX1060目的：配置一下python-tensorflow环境问题复现：使用设置/软件与更新/附件驱动 安装nvidia-375使用CUDA-8.0*.run安装CUDA使用cudnn*.tgz安装cudnn5PATH里面加入了/usr/local/cuda-8.

具体参考Tensorflow官网：https://www.tensorflow.org/api_docs/python/tf/Session了解此信息的来源：https://stackoverflow.com/questions/37849322/how-to-understand-the-term-tensor-in-tensorflow刚刚发现这个功能，一个直接好处就是原先通过函数构建计算图

最近从keras转战tensorflow，原先的代码又不想重写，幸好keras代码可以在tensorflow中使用。详情请参考将Keras作为tensorflow的精简接口。简单应用的话，就是把keras当作tf.layers里面的层来用，placeholder等价于Keras.Input，然后基本和keras里面使用model模块的时候构建方式相同。最后的model也可以使用的，但是我就是想要

原代码的逻辑是train函数构造图，并训练。val_train函数只负责切分训练集。跑代码之后遇到InvalidArgumentError: You must feed a value for placeholder tensor '*' with dtype float后来发现是因为每次train函数都是在default_graph上修改，所以两次train的调用，使得sess重复使用了其内部的

由于python内部的变量其实都是reference，而Tensorflow实现的时候也没有意义去判断输出是否是同一变量名，从而判定是否要新建一个Tensor用于输出。Tensorflow为了满足所有需求，定义了两个不同的函数：tf.add和tf.assign_add。从名字即可看出区别，累加应该使用tf.assign_add。具体地，笔者需要一个iteration counter类似的变量，即每

刷课过程中思考到Variable和Tensor之间的区别，尝试发现在如下代码中：a = tf.Variable(tf.ones(1))b = tf.add(a,tf.ones(1))a是Variable，而b是Tensor。发现自己对Variable和Tensor之间的区分了解不多，所以搜索了一下，记录自己的思考，欢迎指教。Variable是可更改的（mutable），而Tensor是不可更改的

详见： https://github.com/pytorch/pytorch/issues/22844安装和代码中的CUDA_HOME调用函数逻辑不一致，在多CUDA环境中出现bug。保险的做法是在设置PATH, LD_LIBRARY_PATH等环境变量时顺带把CUDA_HOME也设置了。windows应该是CUDA_PATH环境变量。...