negative_loss, _ = tf.math.top_k(tf.reshape(negative_loss, (3276800,)), tf.cast(negative_count, tf.int32)) balanced_loss = (tf.reduce_sum(positive_loss)

predict results:[356 349 757 106 355] imag_count 50000, top1_accuracy 0.000 top5_accuracy 0.003 二、软件版本: -- CANN 版本 (e.g., CANN 3.0.x，5

tensorflow部分，使用的是keras框架，tf后端，tf版本是1.11.0，代码片段如下： ``` cnn_base = ResNet50(weights='imagenet', include_top=False) cnn_out = Globa

``` - 标杆接口参考 TF接口： https://www.tensorflow.org/versions/r2.3/api_docs/python/tf/raw_ops/CTCBeamSearchDecoder tf.raw_ops.CTCBea

'''计算box的损失''' zeros_index = tf.zeros_like(label, dtype=tf.float32) ones_index = tf.ones_like(label, dtype=tf.float32) # 保留pos和part的数据

npu_optimizer import NPUDistributedOptimizer os.environ['TF_CPP_MIN_LOG_LEVEL'] = '1' tf.get_logger().setLevel('INFO') # init npu hccl npu_int

= -tf.log(label_prob + 1e-10) zeros = tf.zeros_like(label_prob, dtype=tf.float32) ones = tf.ones_like(label_prob, dtype=tf.float32)

原始模型包含keras预训练模型 `base_model = tf.keras.applications.DenseNet169(input_shape=(None, None, 3), include_top=False)` 4.在执行 est_resnet.

"fine_label": tf.io.FixedLenFeature((), tf.int64), "coarse_label": tf.io.FixedLenFeature((), tf.int64), "image": tf.io.FixedLenFeature(()

parameter_map["auto_tune_mode"].s = tf.compat.as_bytes("RL,GA") custom_op.parameter_map["precision_mode"].s = tf.compat.as_bytes("allow_mix_precision")

Issues】/【存在的问题】 - 预处理数据集中提供给了dev_tf_idf_data_raw.pkl文件，但使用DrQA中的TF-ID策略针对Hotpot数据集中原始问题进行检索，得到的Top30相关文章的与提供的预处理数据中的初步检索结果大相径庭。另外