㈠ LSTM調用tensorflow提示 raise ValueError("Ambiguous dimension: %s" % value)，怎麼解決
張量的維度必須是整數
㈡ tensorflow implementation of the social lstm model的源代碼要怎麼使用
域名末端的結束語
㈢ 如何使用最流行框架Tensorflow進行時間序列分析
1.穩定網路：Tensorflow畢竟自Google官文檔訪問穩定且般說於英文文檔資料疑問Google搜索結要比Bai（偏見各所氣圖電影啥網路做）
2.Github：源程序網站Linux內核網站託管Github核Git種版本控制系統已經逐漸取代SVN網站託管高質量或者說世界頂尖源項目比Tensorflow習網站何使用注冊賬號習Git使用網站自tutorialguide
3.Linux: Tensorflow主要運行平台Linux目前Windows運行案虛擬機深度習計算要求比較高虛擬機效率太高推薦原Linux運行新手推薦發行版Ubuntu 或者Linux mint自行搜索習Linux處源軟體都only linux
㈣ TensorFlow的優勢和缺點有哪些
TensorFlow框架的前身是Google的DistBelief V2，是谷歌大腦項目的深度網路工具庫，一些人認為TensorFlow是借鑒Theano重構的。
Tensorflow一經開源，馬上引起了大量開發者的跟進。Tensorflow廣泛支持包括圖像、手寫字、語音識別、預測和自然語言處理等大量功能。TensorFlow遵循Apache 2.0開源協議。
TensorFlow在2017年2月15號發布了其1.0版本，這個版本是對先前八個不完善版本的整合。以下是TensorFlow取得成功的一些列原因：
TensorFLow提供這些工具：
TensorBroad是一個設計優良的可視化網路構建和展示工具；
TensorFlow Serving通過保持相同的伺服器架構和API，可以方便地配置新演算法和環境。TensorFlow Serving 還提供開箱即用的模型，並且可以輕松擴展以支持其他的模型和數據。
TensorFlow編程介麵包括Python和C++，Java，Go，R和Haskell語言的介面也在alpha版中支持。另外，TensorFlow還支持谷歌和亞馬遜的雲環境。
TensorFlow的0.12版本支持Windows 7, 8， Server 2016系統。由於採用C++ Eigen庫，TensorFlow類庫可以在ARM架構平台上編譯和優化。這意味著你可以不需要額外實現模型解碼器或者Python解釋器就可以在多種伺服器和移動設備上部署訓練好的模型。
TensorFlow提供細致的網路層使用戶可以構建新的復雜的層結構而不需要自己從底層實現它們。子圖允許用戶查看和恢復圖的任意邊的數據。這對復雜計算的Debug非常有用。
分布式TensorFlow在0.8版本推出，提供了並行計算支持，可以讓模型的不同 部分在不同設備上並行訓練。
TensorFlow在斯坦福大學，伯克利學院，多倫多大學和Udacity（2016年3月成立的在線學校）均有教學。
TensorFlow的缺點有：
每個計算流必須構建成圖，沒有符號循環，這樣使得一些計算變得困難；
沒有三維卷積，因此無法做視頻識別；
即便已經比原有版本（0.5）快了58倍，但執行性能仍然不及它的競爭者。
㈤ 如何優雅地利用tensorflow預測時間序列
在剛剛發布的TensorFlow 1.3版本中，引入了一個TensorFlow Time Series模塊（源碼地址為：tensorflow/tensorflow，以下簡稱為TFTS）。TFTS專門設計了一套針對時間序列預測問題的API，目前提供AR、Anomaly Mixture AR、LSTM三種預測模型。
㈥ tensorflow能否作為日誌分析工具
分析日誌建議你用「愛站工具包」
我用了好幾年了 感覺不錯
㈦ 如何高效的學習 TensorFlow 代碼
對於想要學習TensorFlow（以下簡稱TF）的人，根據目的不同，可以簡單分為以下2類：
1. 研究學者，僅僅需要TF這個平台實現深度學習演算法，無需了解太多底層原理
2. 好學的行業內人員（比如我⊙﹏⊙），不僅需要了解演算法模型，同時還要熟悉TF平台的原理。在運算元、通信、模型優化等方面進行平台的二次開發的人
㈧ 如何基於TensorFlow使用LSTM和CNN實現時序分類任務
時序數據經常出現在很多領域中，如金融、信號處理、語音識別和醫葯。傳統的時序問題通常首先需要人力進行特徵工程，才能將預處理的數據輸入到機器學習演算法中。並且這種特徵工程通常需要一些特定領域內的專業知識，因此也就更進一步加大了預處理成本。例如信號處理（即EEG信號分類），特徵工程可能就涉及到各種頻帶的功率譜（powerspectra）、Hjorth參數和其他一些特定的統計學特徵。
㈨ 訓練語音識別用的LSTM語言模型用theano還是tensorFlow，哪個好用
Theano的一個優勢在於代碼是在計算時生成並編譯的，所以理論上可以達到更高的速度（不需要運行時的polymorphism，而且如果寫得好的話可以fuse kernel），但是因為是學術實現，沒有花大精力在優化上面，所以實際速度並不佔優勢。另外現在大家都高度依賴於第三方庫比如說cudnn，所以比較速度已經是上個時代的事情了，不必太在意。