我正在尝试将tf.summary用于我的代码。为了进行训练，我从占位符获取数据，并在占位符上执行了一些计算后，在损失输出上创建了标量汇总，但是却收到错误消息“您必须为占位符张量输入一个值”。
这有点可笑，因为我什至没有尝试从会话中运行摘要节点，只是在图中创建了一个摘要节点。
当我没有汇总节点时，代码运行良好，但是即使我只包含一个汇总节点，也会因上述错误而中断。
我尝试了Internet上所有可用的解决方案，但现在我真的很沮丧，因为与其他人一起使用的所有解决方案都不适用于我。请帮助:)
在其他答案中，在创建自己的图形之前，一开始就包含了“ tf.reset_default_graph（）”。 我还明确地在tf.summary.merge中提到了摘要节点，而不是使用tf.summary.merge_all（）。 我正在图g下进行所有操作，其中g = tf.Graph（）
这是我在损失输出上创建汇总节点的功能。
<span></span>这是计算我的损失的函数。
class Model(object):
def __init__(self, is_training, config, name):
self.name = name
self.config = config
self.output_list = []
self.index_dict = {}
self.loss = 0
self.lr_list = lr_list
self.loss_list = loss_list
H = W = self.config.allowed_lf_dim*self.config.patch_size
self.copy_lf_batch_holder = tf.placeholder(tf.float32, shape = (None,H,W,config.channels), name = name + 'data_placeholder')
self.struct(self.copy_lf_batch_holder, is_training)
self.loss_summary = tf.summary.scalar(name+"_loss", self.loss)
if(not is_training):
return
self.tvars = tf.trainable_variables()
self.grads, _ = tf.clip_by_global_norm(tf.gradients(self.loss, self.tvars, name = 'train_gradients'),
self.config.gradient_clip, name = "clip_gradients_train")
self.global_step=tf.train.get_or_create_global_step()
self.learning_rate = self.config.learning_rate
self.optimizer = tf.train.GradientDescentOptimizer(self.learning_rate, name = "gradient_descent_train")
update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)
with tf.control_dependencies(update_ops):
self.train_op = self.optimizer.apply_gradients(zip(self.grads, self.tvars),
global_step = self.global_step, name = "apply_gradients_train")
print ('exporting_graph...')
print ('graph_exported')
这是合并摘要操作：
def struct(self,copy_lf_batch_holder, is_training):
cell = tf.nn.rnn_cell.LSTMCell(self.config.hidden_size,
forget_bias=0.0, state_is_tuple=True,reuse = not is_training)
self.initial_state = cell.zero_state(self.config.batch_size,
tf.float32)
tf_resize_tensor = tf.constant([self.config.patch_size,
self.config.patch_size], name= self.name +
'interpolate_to_size')
for col in range(1,self.config.lf_dim):
state = self.initial_state
for row in range(1,self.config.lf_dim):
seq_input, key_target = self.prepare_input(row, col,
copy_lf_batch_holder, is_training)
output, state_ = self.layers(row, col, seq_input,
cell, state, tf_resize_tensor, is_training)
state = state_
output = tf.identity(output,
name="output_from_layers")
self.output_list.append(output)
index = len(self.output_list) - 1
self.index_dict[key_target] = index
target =
copy_lf_batch_holder[:,row*self.config.patch_size:
(row*self.config.patch_size)+self.config.patch_size,
col*self.config.patch_size:
(col*self.config.patch_size)+self.config.patch_size,:]
target = tf.identity(target, name="target_original")
self.loss = self.loss + tf.reduce_sum(tf.pow((target-
output),2))
if(self.config.train_single_image):
break
if(self.config.train_single_image):
break
self.output_stack = tf.stack(self.output_list)
在这里，我正在会话中运行摘要节点，但是即使我从此操作中注释了摘要节点，该错误仍然存在。
with g.as_default():
merged = tf.summary.merge([m_train.loss_summary,
m_test.loss_summary])
train_writer = tf.summary.FileWriter(train_config.save_path
+ "tensorboard_train/")
test_writer = tf.summary.FileWriter(train_config.save_path
+ "tensorboard_test/")
我收到的错误消息：
fetch_train = { "loss_training" : m_train.loss,
"train_op" : m_train.train_op,
"train_merged_summary": merged
}
train_results = sess.run(fetch_train,feed_dict = {m_train.copy_lf_batch_holder : train_batch})
我的占位符的批次大小为：[无，64,64,3]。