python - 偶尔为变量赋值(占位符与 feed_dict)

Question

我有一个模型，需要每 N 次迭代为权重(可训练变量)分配新的外部值。

我可以想到一些解决方案:

1. 保存和恢复

   不好，因为我需要序列化，通过文件系统调用等(即使我使用 tmpfs 之类的东西)

2. 使用占位符和赋值操作

   我将创建一个占位符并为每个可训练变量分配操作。每当我想为权重分配一些东西时，我都会运行分配操作。

   但是，我知道这意味着我将被迫在每个 feed_dict 中考虑这些占位符，并每次在我的图表中运行任何操作时传递虚拟值。

   此外，我会使用比必要的更多的内存。

3. 使用 feed_dict 作为可训练变量并触发将每个变量分配给自身的操作？

   这个有用吗？有什么缺点吗？

在编码之前我认为最好先问一下？ 有效地(内存/时间)为变量分配新的外部值的推荐方法是什么？

Answer 1

您的第三个选项听起来是最好的。

您可以将值输入 tensors that aren’t placeholders .

TensorFlow's feed mechanism lets you inject data into any Tensor in a computation graph. A python computation can thus feed data directly into the graph.

任何可馈送的张量都可以被馈送。要检查张量是否可馈送，请使用:tf.Graph.is_feedable(tensor)。