Что не так с моим запуском TensorFlow cifar10_multi_gpu_train.py

Моя система:

Linux dl1 3.10.0-229.el7.x86_64 #1 SMP Fri Mar 6 11:36:42 UTC 2015 x86_64 x86_64 x86_64 GNU/Linux

и мой графический процессор:

введите здесь описание изображения

Можно запускать образцы моделей, такие как mnist и cifar10 версии с одним GPU. поэтому я думаю, что моя установка tf не проблема.

НО, когда я бегу:

python python cifar10_multi_gpu_train.py --num_gpus=4

Я получил эту ошибку:

ValueError: переменная conv1/weights/ExponentialMovingAverage/ не существует или не была создана с помощью tf.get_variable(). Вы хотели установить reuse=None в VarScope?

python tensorflow

29.12.2016

добавьте некоторый код, но ошибка, похоже, заключается в том, что вы задали повторное использование параметра при создании переменной. Также может быть, что пример cifar был сделан для старой версии tensorflow, и теперь он не работает из-за изменений в API. Попробуйте с тензорным потоком 0.10 30.12.2016

Ответы:

Есть код посмотреть? Я лично думаю, что эта проблема вызвана тем, что вы не использовали повторно общие переменные для разных входных данных в разных графических процессорах, проверьте, находится ли эта строка tf.get_variable_scope().reuse_variables() в вашем цикле для каждого графического процессора.

29.12.2016

версия твоего тф? 29.12.2016

версия tf 0.12.head 29.12.2016

# Повторное использование переменных для следующей башни. tf.get_variable_scope().reuse_variables() 29.12.2016

я нашел то, что вы упомянули код, как я могу решить эту проблему 29.12.2016

Новые материалы

Объяснение документов 02: BERT

BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка. Во время предварительного обучения модель обучается на неразмеченных данных с помощью..

Как проанализировать работу вашего классификатора?

Не всегда просто знать, какие показатели использовать С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..

Работа с цепями Маркова, часть 4 (Машинное обучение)

Нелинейные цепи Маркова с агрегатором и их приложения (arXiv) Автор : Бар Лайт Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..

Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]

Как вы сегодня, ребята? В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..

Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter

Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение. В этом процессе мы будем использовать неконтролируемое обучение, чтобы..

Учебные заметки: создание моего первого пакета Node.js

Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm. Оглавление Глоссарий I. Новый пакет 1.1 советы по инициализации..

Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!

Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных. Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..

Метки

Machine Learning JavaScript Data Science Artificial Intelligence Software Development Python Web Development Coding Deep Learning AI React Software Engineering Nodejs Java Front End Development Typescript Computer Science Data Algorithms Development NLP Tech Programming Languages CSS ChatGPT HTML Python Programming Javascript Tips Angular Computer Vision Startup Data Visualization Neural Networks Tutorial Statistics Productivity Reactjs Learning