Я смог использовать это, больше не используя параметр includeAll
в файле db.changelog-master.yaml
. Опция includeAll
- это полезный способ быстро начать работу (и обработать все файлы в определенном каталоге), но, похоже, нецелесообразно для регулярного использования. Как упоминалось здесь .
Это то, что я ранее имел в db.changelog-master.yaml
, не использую его таким образом.
databaseChangeLog:
- includeAll:
path: db/changelog/changes/
Это то, что Я обновил его до:
databaseChangeLog:
- include:
file: db/changelog/changes/v0001_users.sql
- include:
file: db/changelog/changes/v0002_accounts.sql
. Важно отметить, что я перечисляю каждый отдельный файл, который я хочу включить, в том порядке, в котором я хочу его запустить.
В исходной версии столбец databasechangelog.filename
будет отличаться в зависимости от того, как было выполнено приложение:
db/changelog/changes/v0001_users.sql
- как будет выглядеть столбец при запуске из IntelliJ BOOT-INF/classes/db/changelog/changes/v0001_users.sql
, как будет выглядеть столбец при запуске из исполняемого банку. После внесения изменений оба варианта выше одинаковы и больше не включают BOOT-INF/classes/
в качестве префикса.
Благодаря другим ответам, которые помогли мне указать в правильном направлении!
Если мы предположим, что вы используете tf.dynamic_rnn
(для случая tf.static_rnn
, первая проблема заключается в том, что вы не даете ввод в правильном формате, tf.static_rnn
за исключением последовательности тензоров, такой как список тензоров). [batch_size x seq_len]
и ни одного тензора с формой [batch_size x seq_len x dim]
, тогда как tf.dynamic_rnn
имеет дело с такими тензорами в качестве входных данных)
Я предлагаю вам прочитать документацию tf.nn_dynamic_rnn , чтобы увидеть, что для вашей задачи классификации вы можете использовать не lstm_outputs
, а state
, которые в основном содержат последний выход вашего RNN, потому что lstm_output содержит все выходы, тогда как здесь вас интересует только last_output (кроме случаев, когда вы хотите сделайте что-то вроде внимания для классификации, здесь вам понадобятся все результаты).
Чтобы получить последний вывод, вам в основном нужно сделать это:
lstm_outputs, state = tf.nn.dynamic_rnn(cell=cell,inputs=embedded_chars, dtype=tf.float32)
last_output = state[-1].h
state[-1]
, чтобы получить состояние последней ячейки, затем h
содержит последний вывод и передать last_output
. ] к вашей сети прямой связи.
(работает, но вычисляет неправильную точность, см. Комментарии)
n_classes = 6
n_steps = 27
num_hidden=128
dropout_keep_prob =0.5
vocab_size=10000
EMBEDDING_DIM=300
num_layers = 2
with tf.name_scope('Placeholders'):
input_x = tf.placeholder(tf.int32, [None, n_steps], name='input_x')
input_y = tf.placeholder(tf.float32, [None, n_classes], name='input_y')
dropout_keep_prob = tf.placeholder(tf.float32, name='dropout_keep_prob')
with tf.name_scope('Embedding_layer'):
embeddings_var = tf.Variable(tf.random_uniform([vocab_size, EMBEDDING_DIM], -1.0, 1.0), trainable=True)
embedded_chars = tf.nn.embedding_lookup(embeddings_var, input_x)
print(embedded_chars, 'embed')
def get_a_cell(lstm_size, keep_prob):
lstm = tf.nn.rnn_cell.BasicLSTMCell(lstm_size)
drop = tf.nn.rnn_cell.DropoutWrapper(lstm, output_keep_prob=dropout_keep_prob)
return drop
with tf.name_scope('lstm'):
cell = tf.nn.rnn_cell.MultiRNNCell(
[get_a_cell(num_hidden, dropout_keep_prob) for _ in range(num_layers)]
)
lstm_outputs, state = tf.nn.dynamic_rnn(cell=cell,inputs=embedded_chars, dtype=tf.float32)
last_output = state[-1].h
with tf.name_scope('Fully_connected'):
W = tf.Variable(tf.truncated_normal([num_hidden, n_classes], stddev=0.1))
b = tf.Variable(tf.constant(0.1, shape=[n_classes]))
output = tf.nn.xw_plus_b(last_output,W,b)
predictions = tf.argmax(output, 1, name='predictions')
with tf.name_scope('Loss'):
# Cross-entropy loss and optimizer initialization
loss1 = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(logits=output, labels=input_y))
global_step = tf.Variable(0, name="global_step", trainable=False)
optimizer = tf.train.AdamOptimizer(learning_rate=1e-3).minimize(loss1, global_step=global_step)
with tf.name_scope('Accuracy'):
# Accuracy metrics
accuracy = tf.reduce_mean(tf.cast(tf.equal(tf.round(tf.nn.softmax(output)), input_y), tf.float32))
with tf.name_scope('num_correct'):
correct_predictions = tf.equal(predictions, tf.argmax(input_y, 1))
num_correct = tf.reduce_sum(tf.cast(correct_predictions, 'float'), name='num_correct')