我正在使用tensorflow数据集api作为我的训练数据,输入_fn和生成器用于tf.data.Dataset.from_generator api
def generator():
......
yield { "x" : features }, label
def input_fn():
ds = tf.data.Dataset.from_generator(generator, ......)
......
feature, label = ds.make_one_shot_iterator().get_next()
return feature, label
然后我为我的Estimator创建了一个自定义的model_fn,代码如下:
def model_fn(features, labels, mode, params):
print(features)
......
layer = network.create_full_connect(input_tensor=features["x"],
(or layer = tf.layers.dense(features["x"], 200, ......)
......
培训时:
estimator.train(input_fn=input_fn)
但是,代码不起作用,因为函数model_fn的features参数是:
Tensor(“IteratorGetNext:0”,dtype = float32,device = / device:CPU:0)
代码“features [”x“]”将失败并告诉我:
......“site-packages \ tensorflow \ python \ ops \ array_ops.py”,第504行,在_SliceHelper中 end.append(s + 1) TypeError:必须是str,而不是int
如果我将input_fn更改为:
input_fn = tf.estimator.inputs.numpy_input_fn(
x={"x": np.array([[1,2,3,4,5,6]])},
y=np.array([1]),
代码继续,因为现在的功能是一个字典。
我搜索了估算器的代码,发现它使用了一些函数,例如
features, labels = self._get_features_and_labels_from_input_fn(
input_fn, model_fn_lib.ModeKeys.TRAIN)
从input_fn检索功能和标签,但我不知道为什么它通过使用不同的数据集实现传递给我(model_fn)两种不同数据类型的功能,如果我想使用我的生成器模式,那么如何使用它类型(IteratorGetNext)的功能?
感谢您的帮助!
[增订]
我对代码进行了一些更改,
def generator():
......
yield features, label
def input_fn():
ds = tf.data.Dataset.from_generator(generator, ......)
......
feature, label = ds.make_one_shot_iterator().get_next()
return {"x": feature}, label
然而,在tf.layers.dense仍然失败,现在它说
“图层dense_1的输入0与图层不兼容:其排名未定义,但图层需要定义的排名。”
虽然这些功能是一个字典:
'x':tf.Tensor'IteratorGetNext:0'shape = unknown dtype = float64
在正确的情况下,它是:
'x':tf.Tensor'random_shuffle_queue_DequeueMany:1'shape =(128,6)dtype = float64
我从
中学到了类似的用法https://developers.googleblog.com/2017/09/introducing-tensorflow-datasets.html
def my_input_fn(file_path, perform_shuffle=False, repeat_count=1):
def decode_csv(line):
......
d = dict(zip(feature_names, features)), label
return d
dataset = (tf.data.TextLineDataset(file_path)
但是没有关于生成器案例的官方示例,它将迭代器返回给自定义的model_fn。
答案 0 :(得分:6)
根据examples on how to use from_generator
,生成器返回值以放入数据集,而不是功能的字典。相反,您可以在input_fn
。
如下更改代码应该可以使用:
def generator():
......
yield features, label
def input_fn():
ds = tf.data.Dataset.from_generator(generator, ......)
......
feature, label = ds.make_one_shot_iterator().get_next()
return {"x": feature}, label
您的代码失败,因为Dataset.from_generator
的迭代器生成的张量没有定义静态shape
(因为生成器原则上可以返回具有不同形状的数据)。
假设您的数据确实始终具有相同的形状,您可以在feature.set_shape(<the_shape_of_your_data>)
{/ 1} return
之前调用input_fn
(请参阅编辑打击以了解正确的方法来执行此操作)。
正如您在评论中指出的那样,tf.data.Dataset.from_generator()
有第三个参数来设置输出张量的形状,因此feature.set_shape()
只需将形状作为output_shapes
传递给from_generator()
1}}。