㈠ LSTM调用tensorflow提示 raise ValueError("Ambiguous dimension: %s" % value)，怎么解决
张量的维度必须是整数
㈡ tensorflow implementation of the social lstm model的源代码要怎么使用
域名末端的结束语
㈢ 如何使用最流行框架Tensorflow进行时间序列分析
1.稳定网络：Tensorflow毕竟自Google官文档访问稳定且般说于英文文档资料疑问Google搜索结要比Bai（偏见各所气图电影啥网络做）
2.Github：源程序网站Linux内核网站托管Github核Git种版本控制系统已经逐渐取代SVN网站托管高质量或者说世界顶尖源项目比Tensorflow习网站何使用注册账号习Git使用网站自tutorialguide
3.Linux: Tensorflow主要运行平台Linux目前Windows运行案虚拟机深度习计算要求比较高虚拟机效率太高推荐原Linux运行新手推荐发行版Ubuntu 或者Linux mint自行搜索习Linux处源软件都only linux
㈣ TensorFlow的优势和缺点有哪些
TensorFlow框架的前身是Google的DistBelief V2，是谷歌大脑项目的深度网络工具库，一些人认为TensorFlow是借鉴Theano重构的。
Tensorflow一经开源，马上引起了大量开发者的跟进。Tensorflow广泛支持包括图像、手写字、语音识别、预测和自然语言处理等大量功能。TensorFlow遵循Apache 2.0开源协议。
TensorFlow在2017年2月15号发布了其1.0版本，这个版本是对先前八个不完善版本的整合。以下是TensorFlow取得成功的一些列原因：
TensorFLow提供这些工具：
TensorBroad是一个设计优良的可视化网络构建和展示工具；
TensorFlow Serving通过保持相同的服务器架构和API，可以方便地配置新算法和环境。TensorFlow Serving 还提供开箱即用的模型，并且可以轻松扩展以支持其他的模型和数据。
TensorFlow编程接口包括Python和C++，Java，Go，R和Haskell语言的接口也在alpha版中支持。另外，TensorFlow还支持谷歌和亚马逊的云环境。
TensorFlow的0.12版本支持Windows 7, 8， Server 2016系统。由于采用C++ Eigen库，TensorFlow类库可以在ARM架构平台上编译和优化。这意味着你可以不需要额外实现模型解码器或者Python解释器就可以在多种服务器和移动设备上部署训练好的模型。
TensorFlow提供细致的网络层使用户可以构建新的复杂的层结构而不需要自己从底层实现它们。子图允许用户查看和恢复图的任意边的数据。这对复杂计算的Debug非常有用。
分布式TensorFlow在0.8版本推出，提供了并行计算支持，可以让模型的不同 部分在不同设备上并行训练。
TensorFlow在斯坦福大学，伯克利学院，多伦多大学和Udacity（2016年3月成立的在线学校）均有教学。
TensorFlow的缺点有：
每个计算流必须构建成图，没有符号循环，这样使得一些计算变得困难；
没有三维卷积，因此无法做视频识别；
即便已经比原有版本（0.5）快了58倍，但执行性能仍然不及它的竞争者。
㈤ 如何优雅地利用tensorflow预测时间序列
在刚刚发布的TensorFlow 1.3版本中，引入了一个TensorFlow Time Series模块（源码地址为：tensorflow/tensorflow，以下简称为TFTS）。TFTS专门设计了一套针对时间序列预测问题的API，目前提供AR、Anomaly Mixture AR、LSTM三种预测模型。
㈥ tensorflow能否作为日志分析工具
分析日志建议你用“爱站工具包”
我用了好几年了 感觉不错
㈦ 如何高效的学习 TensorFlow 代码
对于想要学习TensorFlow（以下简称TF）的人，根据目的不同，可以简单分为以下2类：
1. 研究学者，仅仅需要TF这个平台实现深度学习算法，无需了解太多底层原理
2. 好学的行业内人员（比如我⊙﹏⊙），不仅需要了解算法模型，同时还要熟悉TF平台的原理。在算子、通信、模型优化等方面进行平台的二次开发的人
㈧ 如何基于TensorFlow使用LSTM和CNN实现时序分类任务
时序数据经常出现在很多领域中，如金融、信号处理、语音识别和医药。传统的时序问题通常首先需要人力进行特征工程，才能将预处理的数据输入到机器学习算法中。并且这种特征工程通常需要一些特定领域内的专业知识，因此也就更进一步加大了预处理成本。例如信号处理（即EEG信号分类），特征工程可能就涉及到各种频带的功率谱（powerspectra）、Hjorth参数和其他一些特定的统计学特征。
㈨ 训练语音识别用的LSTM语言模型用theano还是tensorFlow，哪个好用
Theano的一个优势在于代码是在计算时生成并编译的，所以理论上可以达到更高的速度（不需要运行时的polymorphism，而且如果写得好的话可以fuse kernel），但是因为是学术实现，没有花大精力在优化上面，所以实际速度并不占优势。另外现在大家都高度依赖于第三方库比如说cudnn，所以比较速度已经是上个时代的事情了，不必太在意。