我可以使用具有不同输入张量的相同模型吗？我应该避免多次运行 session.run() 吗？答案

【问题标题】：Can I use the same model with different input tensors? Should I avoid running session.run() multiple times?我可以使用具有不同输入张量的相同模型吗？我应该避免多次运行 session.run() 吗？
【发布时间】：2019-06-30 08:08:37
【问题描述】：

我正在尝试在不重新运行会话、不使用 feed_dict 和使用 tf.data 的情况下构建一个对同一模型（完全连接的 MLP）进行训练和验证的图表。通常，使用 feed_dict 我会用输入张量 X 定义模型，然后我会评估张量损失或准确性。然后，在图形执行期间，我会编写类似的代码

...
#Training
session.run([train_op], feed_dict={X: XTrainingData, Y: YTrainingData})
#Validation
session.run([accuracy_validation], feed_dict={X: XValidationData, Y: YValidationData})

我知道如何使用数据集进行训练并避免使用 feed_dict。我的问题是：如何避免 feed_dict 进行培训和验证？如果 X 来自迭代器，我将调用 .get_next() 两次（一次用于训练 X1，一次用于验证 X2），如何构建图形以使用 X1 和 X2？

更一般地说，我应该避免多次调用 session.run() 吗？

【问题讨论】：

标签： python-3.x tensorflow iterator tensorflow-datasets

【解决方案1】：

用于验证的 session.run() 调用将是简单的前馈网络，这将花费更少的时间和内存。因此，如果您多次使用它应该没什么大不了的。您可以尝试使用 X1 和 Y1 的不同输入占位符进行另一个验证操作，并将这些张量传递给您的模型并进行验证。

x1 = tf.placeholder(shape=[None,256,256,1],dtype='float32',name='input_img')
y1 = tf.placeholder(shape=[None,256,256,1],dtype='float32',name='output_img')
x2 = tf.placeholder(shape=[None,256,256,1],dtype='float32',name='val_input_img')
y2 = tf.placeholder(shape=[None,256,256,1],dtype='float32',name='val_output_img')

pred = mod(x1) #mod is the network
val = mod(x2)  #prediction for validation
los = tf.reduce_mean(tf.square(pred-y1))
val_los = tf.reduce_mean(tf.square(val-y2)) # validation loss
opt = tf.train.AdamOptimizer(learning_rate=0.001)
train = opt.minimize(los)
init = tf.global_variables_initializer()

然后做这样的事情

_,val_lo = session.run([train,val_los],feed_dict={x1:xtr,y1:ytr,x2:xval,ytr:yval})

【讨论】：

谢谢。你能给我一些关于你如何定义mod的细节吗？ val 预测将具有相同的 pred 权重？
它应该使用相同的权重。如果您使用的是 tensorflow 的高级 api，例如 keras，那么我想这会得到照顾。即使使用低级别的 api，如果您将 reuse= True 放在 tf.variable_scope 中，我觉得它应该可以正常工作。我从未遇到过使用旧权重而不是新权重的这种情况。

【解决方案2】：

以同样的方式将验证集输入数据管道有什么问题？

【讨论】：