python - 为训练和验证数据提供张量

Question

在 tensorflow 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，您不能提供张量:

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

我一直在使用输入管道和 TFRecordReader，所以我的数据从未真正进入 python。必须调用 run 将数据输入 python 并将其反馈给 tensorflow 似乎很愚蠢，而且速度肯定很慢。

有人对此有好的解决方案吗？

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。这行得通，但迫使我以一种奇怪的方式组织我的代码。

编辑

例如，我目前正在做类似的事情:

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

以便测试模型使用通过训练学习到的参数。 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

---

无法完全按照您的要求进行操作，请参阅我的问题的答案 here .

但是 0.7 版新公开的“cond”可以满足您的用例:

# 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.