我尝试将带有时间戳的能耗数据集和 covid 数据集输入 CNN_M_LSTM 模型（库 Tensorflow 和 Keras API）。带有时间戳的数据集的能耗大小为……

我尝试将带有时间戳数据集和 covid 数据集的能量消耗输入 CNN_M_LSTM 模型（库 Tensorflow 和 Keras API）。

带时间戳的能耗数据集的大小为 (730, 2)

Covid 数据集的大小为 (730, 1)

我想对 covid 数据集和带有时间戳的能耗进行切片和窗口化（批处理大小 = 128，窗口大小为 96）。最后将两个数据集压缩在一起。

这是我的代码片段和窗口，包括能源消耗和时间戳数据集，即 covid 数据集：

MAX_LENGTH = 96
BATCH_SIZE = 128 
TRAIN.SHUFFLE_BUFFER_SIZE = 1000

def windowed_dataset(series, window_size=MAX_LENGTH, batch_size=BATCH_SIZE, shuffle_buffer=TRAIN.SHUFFLE_BUFFER_SIZE):
    """
    We create time windows to create X and y features.
    For example, if we choose a window of 30, we will create a dataset formed by 30 points as X
    """
    dataset= tf.data.Dataset.from_tensor_slices(series) 
    dataset = dataset.window(window_size + 1, shift=1) 
    dataset = dataset.flat_map(lambda window: window.batch(window_size + 1)) # the order dataset stays the same
    dataset = dataset.shuffle(1000)
    dataset = dataset.map(lambda window: (window[:-1], window[-1][0])) 
    dataset = dataset.padded_batch(128,drop_remainder=True).cache()

    return dataset

以下是我压缩数据集的方法：

train_energy_dataset = windowed_dataset(TRAIN.PRE_PROCESSED_SERIES)
train_covid_dataset = windowed_dataset(TRAIN.SERIES_COVID)


train_dataset = tf.data.Dataset.zip((train_covid_dataset,train_energy_dataset))

train_dataset = train_dataset.shuffle(buffer_size=1000)
train_dataset = train_dataset.map(lambda data1, data2: ((data1[0], data2[0]), data1[1]))  # Adjust mapping as per your need
train_dataset = train_dataset.batch(128, drop_remainder=True).cache()

我的模型：

def create_CNN_LSTM_model():
    # Define the inputs
    input1 = tf.keras.layers.Input(shape=(128,1), name="input1")
    input2 = tf.keras.layers.Input(shape=(128,2), name="input2")

    # Define the CNN-LSTM part of the model
    x = tf.keras.layers.Conv1D(filters=128, kernel_size=3, activation='relu', strides=1, padding="causal")(input1)
    x = tf.keras.layers.MaxPooling1D(pool_size=2)(x)
    x = tf.keras.layers.Conv1D(filters=64, kernel_size=3, activation='relu', strides=1, padding="causal")(x)
    x = tf.keras.layers.MaxPooling1D(pool_size=2)(x)
    x = tf.keras.layers.Dropout(0.5)(x)
    x = tf.keras.layers.LSTM(16, return_sequences=True)(x)
    x = tf.keras.layers.LSTM(8, return_sequences=True)(x)
    x = tf.keras.layers.Flatten()(x)
    output_lstm = tf.keras.layers.Dense(1)(x)

    # Define the dense part of the model
    output_dense_1 = tf.keras.layers.Dense(1)(input2)

    # Concatenate the outputs of LSTM and Dense layers
    concatenated = tf.keras.layers.Concatenate(axis=1)([output_dense_1, output_lstm])

    # Add further dense layers
    x = tf.keras.layers.Dense(6, activation=tf.nn.leaky_relu)(concatenated)
    output = tf.keras.layers.Dense(4)(x)
    model_final = tf.keras.Model(inputs=[input1, input2], outputs=output)
    # Define the final model
    return model_final
   

model_cnn_m_lstm = create_CNN_LSTM_model()

    # Compile the model
model_cnn_m_lstm.compile(
        loss=tf.keras.losses.Huber(),
        optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),
        metrics=["mse"]
    )

model_cnn_m_lstm.summary()



model_cnn_m_lstm.fit(train_dataset, epochs=100, batch_size=128)

在尝试窗口化并压缩数据集时，我收到以下错误

ValueError: Exception encountered when calling Functional.call().

Invalid input shape for input Tensor("functional_100_1/Cast_1:0", shape=(128, 128, None, 2), dtype=float32). Expected shape (None, 128, 2), but input has incompatible shape (128, 128, None, 2)

Arguments received by Functional.call():
  • inputs=('tf.Tensor(shape=(128, 128, None, 1), dtype=float64)', 'tf.Tensor(shape=(128, 128, None, 2), dtype=float64)')
  • training=True
  • mask=('None', 'None')

我还通过将模型的输入形状更改为

    input1 = tf.keras.layers.Input(shape=(128,2), name="input1")
    input2 = tf.keras.layers.Input(shape=(128), name="input2")

The error appear as expected 2 dims but received 3 dims. 

我的期望是将 zip 数据集输入到我的 CNN_M_LSTM 模型中。

我已经使用 tensorflow 训练了一个模型（用于识别面部），然后将其保存为“facetracker.h5”。但是，当我尝试加载模型时，它只是继续加载“[*]”，如图所示...

我已经使用 tensorflow 训练了一个模型（用于识别面部），然后将其保存为“facetracker.h5”。但是，当我尝试加载模型时，它只是继续加载“[*]”，如下图所示，并且实际上从未完成加载。该模型（facetracker.h5）只有 68 MB，所以我是否正确地认为这不是由于它的大小而发生的？

facetracker 的样子如下：

在加载模型时，您可以监控系统资源（CPU、RAM、磁盘 I/O）。有什么意外吗？

您还可以将模型加载到内存中，然后对其进行反序列化。另外，您使用的 Tensorflow 和 keras 版本是什么？尽可能更新到最新版本。

嗨，谢谢您的回复。我监控了系统资源，没有发现任何异常。我还将 tensorflow 更新到了最新版本。

另外，当我在 WSL 内部的 jupyter 实验室中运行它时它确实会加载，但在 WSL 外部则不会加载

我试图将一个对象的实例返回给另一个对象，如下所示：`class object1(): attrib = '??' def obj_instance(self): return selfclass object2(): obj1 =

我正在尝试将一个对象的实例返回给另一个对象，如下所示：

`类对象1()：

   attrib = '??'
 
   def obj_instance(self):
       return self

class object2():

   obj1 = object1.obj_instance()`

问题在于它需要将“self”声明为 obj_instance() 的参数，如下所示：

obj1 = object1.obj_instance(self) print obj1.attrib <<<< This fails with object2 has no attribute 'attrib'

如果我使用：

`类对象1()：

def obj_instance():      <<<  i.e.,  without 'self'
   return self`

我收到“self”未定义的错误。

显然，这些尝试没有产生任何有用的结果。我也无法向上追溯父树来访问 object1（object2 在 object1 之后实例化）。从我提供的 Python 代码来看，并不清楚为什么会出现这种情况。相信我，情况确实如此。

是否有某种方法可以获取引用，从而可以从对象 2 内部访问对象 1 的属性？

我相信这可以在 C/C++ 中完成，但看起来在 Python 中是不可能的。

评论？