我最近发现了一个概念验证实现，它使用data = np.zeros((len(raw_data), n_input, vocab_size),dtype=np.uint8)
以单热编码方式准备功能：
np.uint8如上所示，单个输入为tf.float32。
检查模型后，我意识到张量流模型的输入占位符定义为x = tf.placeholder(tf.float32, [None, n_input, vocab_size], name="onehotin")
：
(0/1) 我的特殊问题：
张量流如何处理这个＆＃34;不匹配＆＃34;输入类型。这些值np.float32是否由tensorflow正确解释或转换。如果是这样，这是在文档中提到的某个地方。谷歌搜索后我找不到答案。应该提到的是，模型的运行和价值似乎是合理的。但是，将输入numpy功能键入为my_chr<-c('2017-02-19 06:00','2017-03-10 06:00','2017-04-15 06:00')
myPSX<-as.POSIXct(my_chr,format='%Y-%m-%d %H:%M',tz='UTC')
PSXappend<-as.POSIXct('2017-08-09 06:00',format='%Y-%m-%d %H:%M',tz='UTC')
会导致需要大量内存。
相关性： 采用输入管道/将模型推广到生产中后，运行但经过错误训练的模型的行为会有所不同。
答案 0 :(得分：1)
Tensorflow支持类似的dtype转换。
在x + 1等操作中，值1正在通过tf.convert_to_tensor函数来处理验证和转换。该函数有时在底层手动调用，当设置dtype参数时，该值会自动转换为此类型。
将数组提供到占位符中时：
session.run(..., feed_dict={x: data})
...通过np.asarray调用将数据显式转换为正确类型的numpy数组。请参阅python/client/session.py上的源代码。请注意，当dtype不同时，此方法可能会重新分配缓冲区，这正是您所遇到的情况。所以你的内存优化并不像你期望的那样工作：临时的32位data是在内部分配的。