Модель Python Tensorflow не работает в Java Tensorflow

Модель Python Tensorflow не работает в Java Tensorflow ⇐ Python

1 сообщение • Страница 1 из 1

Anonymous

Модель Python Tensorflow не работает в Java Tensorflow

Цитата

Сообщение Anonymous » 17 фев 2025, 01:29

Я обучаю модель в Python, используя Tensorflow и Keras, и пытаюсь загрузить ее в приложение Java. Тем не менее, я сталкиваюсь с ошибкой при попытке выполнить вывод.
код Java

Код: Выделить всё

public static void main(String[] args) {
final String MODEL_PATH = "/home/himitsu/Desktop/PhD/SMA/SMACarev1/src/main/resources/ecg_model_to_java";

try (SavedModelBundle model = SavedModelBundle.load(MODEL_PATH, "serve")) {
System.out.println("Modelo carregado com sucesso!");

// 🔹 Criar uma sessão para executar a inicialização das variáveis
Session session = model.session();

// 1. Gerar dados de teste
float[][][] ecgSample = generateECGTestSample();

// 2. Criar tensor de entrada corretamente
try (TFloat32 inputTensor = TFloat32.tensorOf(
Shape.of(1, 100, 1),
data -> {
for (int i = 0; i < 100; i++) {
data.setFloat(ecgSample[0][i][0], 0, i, 0);
}
}
)) {
// 3. Executar inferência diretamente sem lista
try (Tensor outputTensor = model.function("serving_default").call(inputTensor)) {
if (outputTensor instanceof TFloat32) {
processOutput((TFloat32) outputTensor);
} else {
System.err.println("Erro: O modelo não retornou um TFloat32.");
}
}
}
} catch (Exception e) {
System.err.println("Erro durante a inferência:");
e.printStackTrace();
}
}

private static float[][][] generateECGTestSample() {
float[][][] sample = new float[1][100][1];
for (int i = 0; i < 100; i++) {
sample[0][i][0] = (float) (0.5 * Math.sin(2 * Math.PI * i / 20));
}
return sample;
}

private static void processOutput(TFloat32 tensor) {
// Corrigido para a nova API: acessar os dados corretamente
FloatDataBuffer buffer = tensor.asRawTensor().data().asFloats();
float[] predictions = new float[(int) tensor.shape().size(1)];
buffer.read(predictions);

System.out.println("\nResultado da Predição:");
for (int i = 0; i < predictions.length; i++) {
System.out.printf("Classe %d: %.2f%%%n", i, predictions[i] * 100);
}

// Encontrar a classe com maior probabilidade
int predictedClass = 0;
float maxProb = 0;
for (int i = 0; i < predictions.length; i++) {
if (predictions[i] > maxProb) {
maxProb = predictions[i];
predictedClass = i;
}
}
System.out.printf("\nDiagnóstico Previsto: Classe %d (%.2f%% de confiança)%n",
predictedClass, maxProb * 100);
}

код Python

Код: Выделить всё


df = pd.read_csv('/home/himitsu/Desktop/PhD/SMA/Databases/arrhythmia_dataset_with_ecg.csv')

# Extrair features (ECG bruto: 100 amostras por batimento)
ecg_columns = [f'ecg_{i}' for i in range(100)]
X = df[ecg_columns].values  # Shape: (n_amostras, 100)

# Extrair rótulos e codificar para números
label_encoder = LabelEncoder()
y = label_encoder.fit_transform(df['label'].values)  # y: inteiros (0, 1, 2, ...)

# Dividir em treino e teste (estratificado)
X_train, X_test, y_train, y_test = train_test_split(
X, y,
test_size=0.2,
stratify=y,
random_state=42
)

# Redimensionar para formato de entrada da CNN + LSTM (n_amostras, 100, 1)
X_train = X_train.reshape(-1, 100, 1)
X_test = X_test.reshape(-1, 100, 1)

# ======================================
# 2.  Construir o Modelo (CNN + LSTM)
# ======================================

model = Sequential([
# Camadas Convolucionais
Conv1D(32, kernel_size=3, activation='relu', input_shape=(100, 1)),
MaxPooling1D(2),
Conv1D(64, kernel_size=3, activation='relu'),
MaxPooling1D(2),

# Camada LSTM
LSTM(50, return_sequences=False),

# Camadas Densas
Dense(128, activation='relu'),
Dropout(0.5),
Dense(len(label_encoder.classes_), activation='softmax')
])

# Compilar o modelo
model.compile(
optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy']
)

model.summary()

# ======================================
# 3. Treinar o Modelo
# ======================================

# Callbacks para evitar overfitting
callbacks = [
EarlyStopping(patience=5, restore_best_weights=True),
ModelCheckpoint('best_model_cnn_lstm.keras', save_best_only=True)
]

# Treinamento
history = model.fit(
X_train, y_train,
epochs=50,
batch_size=32,
validation_split=0.2,
callbacks=callbacks
)

# ======================================
# 4. Avaliar o Modelo
# ======================================

test_loss, test_accuracy = model.evaluate(X_test, y_test)
print(f'\nAcurácia no teste: {test_accuracy * 100:.2f}%')

# Plotar curvas de aprendizado
plt.figure(figsize=(12, 4))
plt.subplot(1, 2, 1)
plt.plot(history.history['accuracy'], label='Treino')
plt.plot(history.history['val_accuracy'], label='Validação')
plt.title('Acurácia por Época')
plt.legend()

plt.subplot(1, 2, 2)
plt.plot(history.history['loss'], label='Treino')
plt.plot(history.history['val_loss'], label='Validação')
plt.title('Loss por Época')
plt.legend()
plt.show()

# ======================================
# 5. Fazer Previsões
# ======================================

sample_idx = 0  # Escolha uma amostra
test_sample = X_test[sample_idx].reshape(1, 100, 1)
true_label = y_test[sample_idx]
predicted_prob = model.predict(test_sample)
predicted_label = np.argmax(predicted_prob)

print(f'\nExemplo Real: {label_encoder.inverse_transform([true_label])[0]}')
print(f'Previsão: {label_encoder.inverse_transform([predicted_label])[0]}')
print(f'Probabilidades: {predicted_prob}')

# ======================================
# 6. Salvar o Modelo para TensorFlow Java
# ======================================

# Certifique-se de que o modelo foi treinado antes de exportar
export_dir = "ecg_model_to_javav2"

# Salvar o modelo corretamente sem definir manualmente a assinatura
tf.saved_model.save(model, export_dir)

Сообщение об ошибке

Код: Выделить всё

2025-02-15 22:47:37.247065: I tensorflow/cc/saved_model/reader.cc:83] Reading SavedModel from: /home/himitsu/Desktop/PhD/SMA/SMACarev1/src/main/resources/ecg_model_to_javav2
2025-02-15 22:47:37.250045: I tensorflow/cc/saved_model/reader.cc:51] Reading meta graph with tags { serve }
2025-02-15 22:47:37.250082: I tensorflow/cc/saved_model/reader.cc:146] Reading SavedModel debug info (if present) from: /home/himitsu/Desktop/PhD/SMA/SMACarev1/src/main/resources/ecg_model_to_javav2
2025-02-15 22:47:37.250161: I tensorflow/core/platform/cpu_feature_guard.cc:210] This TensorFlow binary is optimized to use available CPU instructions in performance-critical operations.
To enable the following instructions: AVX2 FMA, in other operations, rebuild TensorFlow with the appropriate compiler flags.
2025-02-15 22:47:37.309389: I tensorflow/compiler/mlir/mlir_graph_optimization_pass.cc:388] MLIR V1 optimization pass is not enabled
2025-02-15 22:47:37.315025: I tensorflow/cc/saved_model/loader.cc:234] Restoring SavedModel bundle.
2025-02-15 22:47:37.459839: I tensorflow/cc/saved_model/loader.cc:218] Running initialization op on SavedModel bundle at path: /home/himitsu/Desktop/PhD/SMA/SMACarev1/src/main/resources/ecg_model_to_javav2
2025-02-15 22:47:37.505041: I tensorflow/cc/saved_model/loader.cc:317] SavedModel load for tags { serve }; Status: success: OK. Took 257993 microseconds.
Modelo carregado com sucesso!
2025-02-15 22:47:37.915743: W tensorflow/core/framework/local_rendezvous.cc:404] Local rendezvous is aborting with status: FAILED_PRECONDITION: Could not find variable sequential/dense_1/kernel. This could mean that the variable has been deleted. In TF1, it can also mean the variable is uninitialized.  Debug info: container=localhost, status error message=Resource localhost/sequential/dense_1/kernel/N10tensorflow3VarE does not exist.
[[{{function_node __inference_serving_default_338688}}{{node sequential_1/dense_1_2/Cast/ReadVariableOp}}]]
Erro durante a inferência:
org.tensorflow.exceptions.TFFailedPreconditionException: Could not find variable sequential/dense_1/kernel. This could mean that the variable has been deleted. In TF1, it can also mean the variable is uninitialized. Debug info: container=localhost, status error message=Resource localhost/sequential/dense_1/kernel/N10tensorflow3VarE does not exist.
[[{{function_node __inference_serving_default_338688}}{{node sequential_1/dense_1_2/Cast/ReadVariableOp}}]]
at org.tensorflow.internal.c_api.AbstractTF_Status.throwExceptionIfNotOK(AbstractTF_Status.java:84)
at org.tensorflow.Session.run(Session.java:826)
at org.tensorflow.Session$Runner.runHelper(Session.java:549)
at org.tensorflow.Session$Runner.run(Session.java:476)
at org.tensorflow.SessionFunction.call(SessionFunction.java:115)
at org.tensorflow.TensorFunction.call(TensorFunction.java:83)
at org.example.EcgModelTester.main(EcgModelTester.java:34)

Дополнительная информация

Код: Выделить всё

saved_model_cli show --dir './ecg_model_to_java/' --tag_set serve --signature_def serving_default

2025-02-15 22:08:37.125957: W tensorflow/stream_executor/platform/default/dso_loader.cc:64] Could not load dynamic library 'libcudart.so.11.0'; dlerror: libcudart.so.11.0: cannot open shared object file: No such file or directory
2025-02-15 22:08:37.125985: I tensorflow/stream_executor/cuda/cudart_stub.cc:29] Ignore above cudart dlerror if you do not have a GPU set up on your machine.
The given SavedModel SignatureDef contains the following input(s):
inputs['inputs'] tensor_info:
dtype: DT_FLOAT
shape: (-1, 100, 1)
name: serving_default_inputs:0
The given SavedModel SignatureDef contains the following output(s):
outputs['output_0'] tensor_info:
dtype: DT_FLOAT
shape: (-1, 15)
name: StatefulPartitionedCall:0
Method name is: tensorflow/serving/predict

Вопрос
Как я могу разрешить ошибку, не смогу найти переменную последовательность/dense_1/mais при загрузке модели Tensorflow в Java?

Подробнее здесь: https://stackoverflow.com/questions/794 ... tensorflow

1739744948

Anonymous

 Я обучаю модель в Python, используя Tensorflow и Keras, и пытаюсь загрузить ее в приложение Java. Тем не менее, я сталкиваюсь с ошибкой при попытке выполнить вывод. 
[b] код Java [/b] 
[code]public static void main(String[] args) {
final String MODEL_PATH = "/home/himitsu/Desktop/PhD/SMA/SMACarev1/src/main/resources/ecg_model_to_java";

try (SavedModelBundle model = SavedModelBundle.load(MODEL_PATH, "serve")) {
System.out.println("Modelo carregado com sucesso!");

// 🔹 Criar uma sessão para executar a inicialização das variáveis
Session session = model.session();

// 1. Gerar dados de teste
float[][][] ecgSample = generateECGTestSample();

// 2. Criar tensor de entrada corretamente
try (TFloat32 inputTensor = TFloat32.tensorOf(
Shape.of(1, 100, 1),
data -> {
for (int i = 0; i < 100; i++) {
data.setFloat(ecgSample[0][i][0], 0, i, 0);
}
}
)) {
// 3. Executar inferência diretamente sem lista
try (Tensor outputTensor = model.function("serving_default").call(inputTensor)) {
if (outputTensor instanceof TFloat32) {
processOutput((TFloat32) outputTensor);
} else {
System.err.println("Erro: O modelo não retornou um TFloat32.");
}
}
}
} catch (Exception e) {
System.err.println("Erro durante a inferência:");
e.printStackTrace();
}
}

private static float[][][] generateECGTestSample() {
float[][][] sample = new float[1][100][1];
for (int i = 0; i < 100; i++) {
sample[0][i][0] = (float) (0.5 * Math.sin(2 * Math.PI * i / 20));
}
return sample;
}

private static void processOutput(TFloat32 tensor) {
// Corrigido para a nova API: acessar os dados corretamente
FloatDataBuffer buffer = tensor.asRawTensor().data().asFloats();
float[] predictions = new float[(int) tensor.shape().size(1)];
buffer.read(predictions);

System.out.println("\nResultado da Predição:");
for (int i = 0; i < predictions.length; i++) {
System.out.printf("Classe %d: %.2f%%%n", i, predictions[i] * 100);
}

// Encontrar a classe com maior probabilidade
int predictedClass = 0;
float maxProb = 0;
for (int i = 0; i < predictions.length; i++) {
if (predictions[i] > maxProb) {
maxProb = predictions[i];
predictedClass = i;
}
}
System.out.printf("\nDiagnóstico Previsto: Classe %d (%.2f%% de confiança)%n",
predictedClass, maxProb * 100);
}
[/code]
[b] код Python [/b] 
[code]

df = pd.read_csv('/home/himitsu/Desktop/PhD/SMA/Databases/arrhythmia_dataset_with_ecg.csv')

# Extrair features (ECG bruto: 100 amostras por batimento)
ecg_columns = [f'ecg_{i}' for i in range(100)]
X = df[ecg_columns].values  # Shape: (n_amostras, 100)

# Extrair rótulos e codificar para números
label_encoder = LabelEncoder()
y = label_encoder.fit_transform(df['label'].values)  # y: inteiros (0, 1, 2, ...)

# Dividir em treino e teste (estratificado)
X_train, X_test, y_train, y_test = train_test_split(
X, y,
test_size=0.2,
stratify=y,
random_state=42
)

# Redimensionar para formato de entrada da CNN + LSTM (n_amostras, 100, 1)
X_train = X_train.reshape(-1, 100, 1)
X_test = X_test.reshape(-1, 100, 1)

# ======================================
# 2.  Construir o Modelo (CNN + LSTM)
# ======================================

model = Sequential([
# Camadas Convolucionais
Conv1D(32, kernel_size=3, activation='relu', input_shape=(100, 1)),
MaxPooling1D(2),
Conv1D(64, kernel_size=3, activation='relu'),
MaxPooling1D(2),

# Camada LSTM
LSTM(50, return_sequences=False),

# Camadas Densas
Dense(128, activation='relu'),
Dropout(0.5),
Dense(len(label_encoder.classes_), activation='softmax')
])

# Compilar o modelo
model.compile(
optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy']
)

model.summary()

# ======================================
# 3. Treinar o Modelo
# ======================================

# Callbacks para evitar overfitting
callbacks = [
EarlyStopping(patience=5, restore_best_weights=True),
ModelCheckpoint('best_model_cnn_lstm.keras', save_best_only=True)
]

# Treinamento
history = model.fit(
X_train, y_train,
epochs=50,
batch_size=32,
validation_split=0.2,
callbacks=callbacks
)

# ======================================
# 4. Avaliar o Modelo
# ======================================

test_loss, test_accuracy = model.evaluate(X_test, y_test)
print(f'\nAcurácia no teste: {test_accuracy * 100:.2f}%')

# Plotar curvas de aprendizado
plt.figure(figsize=(12, 4))
plt.subplot(1, 2, 1)
plt.plot(history.history['accuracy'], label='Treino')
plt.plot(history.history['val_accuracy'], label='Validação')
plt.title('Acurácia por Época')
plt.legend()

plt.subplot(1, 2, 2)
plt.plot(history.history['loss'], label='Treino')
plt.plot(history.history['val_loss'], label='Validação')
plt.title('Loss por Época')
plt.legend()
plt.show()

# ======================================
# 5. Fazer Previsões
# ======================================

sample_idx = 0  # Escolha uma amostra
test_sample = X_test[sample_idx].reshape(1, 100, 1)
true_label = y_test[sample_idx]
predicted_prob = model.predict(test_sample)
predicted_label = np.argmax(predicted_prob)

print(f'\nExemplo Real: {label_encoder.inverse_transform([true_label])[0]}')
print(f'Previsão: {label_encoder.inverse_transform([predicted_label])[0]}')
print(f'Probabilidades: {predicted_prob}')

# ======================================
# 6. Salvar o Modelo para TensorFlow Java
# ======================================

# Certifique-se de que o modelo foi treinado antes de exportar
export_dir = "ecg_model_to_javav2"

# Salvar o modelo corretamente sem definir manualmente a assinatura
tf.saved_model.save(model, export_dir)
[/code]
[b] Сообщение об ошибке [/b] 
[code]2025-02-15 22:47:37.247065: I tensorflow/cc/saved_model/reader.cc:83] Reading SavedModel from: /home/himitsu/Desktop/PhD/SMA/SMACarev1/src/main/resources/ecg_model_to_javav2
2025-02-15 22:47:37.250045: I tensorflow/cc/saved_model/reader.cc:51] Reading meta graph with tags { serve }
2025-02-15 22:47:37.250082: I tensorflow/cc/saved_model/reader.cc:146] Reading SavedModel debug info (if present) from: /home/himitsu/Desktop/PhD/SMA/SMACarev1/src/main/resources/ecg_model_to_javav2
2025-02-15 22:47:37.250161: I tensorflow/core/platform/cpu_feature_guard.cc:210] This TensorFlow binary is optimized to use available CPU instructions in performance-critical operations.
To enable the following instructions: AVX2 FMA, in other operations, rebuild TensorFlow with the appropriate compiler flags.
2025-02-15 22:47:37.309389: I tensorflow/compiler/mlir/mlir_graph_optimization_pass.cc:388] MLIR V1 optimization pass is not enabled
2025-02-15 22:47:37.315025: I tensorflow/cc/saved_model/loader.cc:234] Restoring SavedModel bundle.
2025-02-15 22:47:37.459839: I tensorflow/cc/saved_model/loader.cc:218] Running initialization op on SavedModel bundle at path: /home/himitsu/Desktop/PhD/SMA/SMACarev1/src/main/resources/ecg_model_to_javav2
2025-02-15 22:47:37.505041: I tensorflow/cc/saved_model/loader.cc:317] SavedModel load for tags { serve }; Status: success: OK. Took 257993 microseconds.
Modelo carregado com sucesso!
2025-02-15 22:47:37.915743: W tensorflow/core/framework/local_rendezvous.cc:404] Local rendezvous is aborting with status: FAILED_PRECONDITION: Could not find variable sequential/dense_1/kernel. This could mean that the variable has been deleted. In TF1, it can also mean the variable is uninitialized.  Debug info: container=localhost, status error message=Resource localhost/sequential/dense_1/kernel/N10tensorflow3VarE does not exist.
[[{{function_node __inference_serving_default_338688}}{{node sequential_1/dense_1_2/Cast/ReadVariableOp}}]]
Erro durante a inferência:
org.tensorflow.exceptions.TFFailedPreconditionException: Could not find variable sequential/dense_1/kernel. This could mean that the variable has been deleted. In TF1, it can also mean the variable is uninitialized. Debug info: container=localhost, status error message=Resource localhost/sequential/dense_1/kernel/N10tensorflow3VarE does not exist.
[[{{function_node __inference_serving_default_338688}}{{node sequential_1/dense_1_2/Cast/ReadVariableOp}}]]
at org.tensorflow.internal.c_api.AbstractTF_Status.throwExceptionIfNotOK(AbstractTF_Status.java:84)
at org.tensorflow.Session.run(Session.java:826)
at org.tensorflow.Session$Runner.runHelper(Session.java:549)
at org.tensorflow.Session$Runner.run(Session.java:476)
at org.tensorflow.SessionFunction.call(SessionFunction.java:115)
at org.tensorflow.TensorFunction.call(TensorFunction.java:83)
at org.example.EcgModelTester.main(EcgModelTester.java:34)
[/code]
[b] Дополнительная информация [/b] 
[code]saved_model_cli show --dir './ecg_model_to_java/' --tag_set serve --signature_def serving_default

2025-02-15 22:08:37.125957: W tensorflow/stream_executor/platform/default/dso_loader.cc:64] Could not load dynamic library 'libcudart.so.11.0'; dlerror: libcudart.so.11.0: cannot open shared object file: No such file or directory
2025-02-15 22:08:37.125985: I tensorflow/stream_executor/cuda/cudart_stub.cc:29] Ignore above cudart dlerror if you do not have a GPU set up on your machine.
The given SavedModel SignatureDef contains the following input(s):
inputs['inputs'] tensor_info:
dtype: DT_FLOAT
shape: (-1, 100, 1)
name: serving_default_inputs:0
The given SavedModel SignatureDef contains the following output(s):
outputs['output_0'] tensor_info:
dtype: DT_FLOAT
shape: (-1, 15)
name: StatefulPartitionedCall:0
Method name is: tensorflow/serving/predict
[/code]
[b] Вопрос [/b]
Как я могу разрешить ошибку, не смогу найти переменную последовательность/dense_1/mais при загрузке модели Tensorflow в Java?  

Подробнее здесь: [url]https://stackoverflow.com/questions/79444052/python-tensorflow-model-does-not-work-in-java-tensorflow[/url]

Ответить Пред. тема След. тема

1 сообщение • Страница 1 из 1

Быстрый ответ

Заголовок:

Имя пользователя:

Изменение регистра текста:

Смайлики

Ещё смайлики…

К этому ответу прикреплено по крайней мере одно вложение.

Если вы не хотите добавлять вложения, оставьте поля пустыми. Можно прикреплять файлы, перетаскивая их в окно сообщения.

Максимально разрешённый размер вложения: 15 МБ.

Имя файла:

Комментарий к файлу:

Имя файла	Комментарий к файлу	Размер	Статус

Похожие темы

Ответы

Просмотры

Последнее сообщение

Модель отлично работает в tensorflow 2.15, но не может импортировать модель в tensorflow 2.16.

Последнее сообщение Anonymous « 26 июн 2024, 01:03
Добавлено в форуме Python

Anonymous » 26 июн 2024, 01:03 » в форуме Python

Я столкнулся с необычной проблемой, которой нет в Интернете. Я обучил модель классификации на тензорном потоке 2.15. Эта модель работает отлично, но когда я пытаюсь импортировать эту модель, я получаю следующую ошибку.
ValueError: Недопустимое...

0 Ответы

50 Просмотры

Последнее сообщение Anonymous
26 июн 2024, 01:03
Модель Python Tensorflow не работает в Java Tensorflow

Последнее сообщение Anonymous « 17 фев 2025, 01:29
Добавлено в форуме JAVA

Anonymous » 17 фев 2025, 01:29 » в форуме JAVA

Я обучаю модель в Python, используя Tensorflow и Keras, и пытаюсь загрузить ее в приложение Java. Тем не менее, я сталкиваюсь с ошибкой при попытке выполнить вывод.
код Java
public static void main(String[] args) {
final String MODEL_PATH =...

0 Ответы

22 Просмотры

Последнее сообщение Anonymous
17 фев 2025, 01:29
Как правильно сохранить и загрузить вложенную модель keras (модель, содержащую другую модель, переданную в качестве аргу

Последнее сообщение Anonymous « 21 янв 2025, 20:10
Добавлено в форуме Python

Anonymous » 21 янв 2025, 20:10 » в форуме Python

Я работаю над сохранением и загрузкой вложенной модели Keras, где внутренняя модель передается в качестве аргумента внешней модели. Код сохраняет модель без проблем, но когда я ее загружаю, восстанавливаются только слои внешней модели. Внутренняя...

0 Ответы

21 Просмотры

Последнее сообщение Anonymous
21 янв 2025, 20:10
Как загрузить TensorFlow модель в 2.19.0, если модель была сохранена в 2.4.1

Последнее сообщение Anonymous « 21 апр 2025, 19:26
Добавлено в форуме Python

Anonymous » 21 апр 2025, 19:26 » в форуме Python

Я пытался перенести одну из 2D моделей UNET, которые я обучал на кластере моей школы, которая поддерживает 2.4.1 TensorFlow до моего личного устройства, которое использует 2.19.0, и должен использовать Python 3.10 для поддержки пакета Agent Agent...

0 Ответы

9 Просмотры

Последнее сообщение Anonymous
21 апр 2025, 19:26
Как загрузить TensorFlow модель в 2.19.0, если модель была сохранена в 2.4.1

Последнее сообщение Anonymous « 21 апр 2025, 20:32
Добавлено в форуме Python

Anonymous » 21 апр 2025, 20:32 » в форуме Python

Я пытался перенести одну из 2D моделей UNET, которые я обучал на кластере моей школы, которая поддерживает 2.4.1 TensorFlow до моего личного устройства, которое использует 2.19.0, и должен использовать Python 3.10 для поддержки пакета Agent Agent...

0 Ответы

11 Просмотры

Последнее сообщение Anonymous
21 апр 2025, 20:32

Вернуться в «Python»