Question

在张量流示例中，feed_dict用于将训练或验证输入发送到同一模型图中。不幸的是，你不能提供张量：

    Acceptable feed values include Python scalars, strings, lists, or numpy ndarrays.

我一直在使用输入管道和TFRecordReader，所以我的数据永远不会真正进入python。不得不调用run将数据导入python只是为了将数据反馈给tensorflow似乎很愚蠢，而且肯定很慢。

有没有人有这方面的好解决方案？

目前，我只是创建两个使用相同参数的模型子图的相同副本。这有效，但迫使我以奇怪的方式组织我的代码。

修改

例如，我现在正在做类似的事情：

model_params = BuildModelParams()
train_model = BuildModel(model_params, train_input)
test_model = BuildModel(model_params, test_input)

以便测试模型使用训练学到的参数。关于feed_dict的好处是我只需要定义一次模型，而不必将模型的参数与其结构分开。

Answer 1

警告：

当涉及输入队列时，此解决方案可能会导致严重问题。请参阅：https://groups.google.com/a/tensorflow.org/forum/#!msg/discuss/mLrt5qc9_uU/sGNbC7GpAwAJ

感谢@fwalch在评论中指出这一点

没有办法完全按照您的要求行事，请参阅我的问题here的答案。

但是新上映的＆＃34; cond＆＃34;从0.7版本可以填写您的用例：

# Here are the two data streams.
train_data = tf.Variable(999)
test_data = tf.Variable(1000)

# This selects which stream to use.
select_test = tf.placeholder(dtype=bool,shape=[],name='select_test')
data = tf.cond(
    select_test,
    lambda:test_data,
    lambda:train_data
)

# Here is the model.
model = data-500;

init = tf.initialize_all_variables()
with tf.Session():
    init.run()

    # You just have to feed `select_test` when you evaluate the model.
    print(model.eval({select_test:False})) #499
    print(model.eval({select_test:True})) #500

您可以对switching Batch Normalization to use a moving average during test使用相同的技巧。

Answer 2

<强> TL; DR

您可以将输入管道用于训练，测试和验证步骤，而不是使用占位符。当你已经拥有Tensor时，我没有理由不使用它。

相关文档

可在TF的网站上找到更多信息。

Feeding Data from Python
Placeholders

示例

在这个例子中，我们将模型和预期输出发送到训练和测试函数。唯一的区别是，对于一些人，我们使用占位符，而其他人则使用Tensors。

import tensorflow as tf def train(model, T): """Example train operation which returns sum of parameters.""" return model + T def test(model, T): """Example test operation which returns parameters multiplied.""" return model * T # Placeholders which will be required in the feed_dict once we execute a TF_Run. x_placeholder_model = tf.placeholder(tf.int32) t_placeholder = tf.placeholder(tf.int32) # Tensors, using constants for brevity but these could be from an input pipeline # or some other set of operations. x_tensor_model = tf.constant([1, 2, 3]) t_tensor = tf.constant([1, 2, 3]) using_placeholder_train = train(x_placeholder_model, t_placeholder) using_tensor_train = train(x_tensor_model, t_tensor) using_placeholder_test = test(x_placeholder_model, t_placeholder) using_tensor_test = test(x_tensor_model, t_tensor) with tf.Session() as sess: print(sess.run( using_placeholder_train, feed_dict={ x_placeholder_model: [1, 2, 3], t_placeholder: [1, 2, 3]})) print(sess.run( using_placeholder_test, feed_dict={ x_placeholder_model: [1, 2, 3], t_placeholder: [1, 2, 3]})) print(sess.run(using_tensor_train)) print(sess.run(using_tensor_test))

执行此代码将产生以下输出：

[2 4 6] [1 4 9] [2 4 6] [1 4 9]

说明调用：

print(sess.run( using_placeholder_train, feed_dict={ x_placeholder_model: [1, 2, 3], t_placeholder: [1, 2, 3]}))

返回相同的输出：

print(sess.run(using_tensor_train))

feed_dict没有添加任何内容，因为我们已经在图表上提供了张量。

为训练与验证数据提供张量

2 个答案:

警告：