Tensorflow：使用输入队列在同一个图中训练和测试

Question

我遇到的问题无法通过我在互联网上找到的内容解决。

我已经构建了我的神经网络并将其连接到输入管道。 从 tfrecord 读取数据，使用 tf.train.batch 和 queueRunners、Coords 等。

我已经将我的 NN 构建到一个名为“Model”的 python 类中，我使用它：

model = Model(...这里的所有超参数...)

...

model.predict()

或

model.step()

所有训练阶段都运行良好。

但现在我想在训练的每 X 个时期/步骤中添加一个测试阶段。

我真的不知道该怎么做。 我有几个想法，但我没有找到最好的：

• 将代码复制到我的类中以获得：loss_train 和 loss_test，等等，用于我的图表的每个节点？ （在训练和测试之间使用共享变量）
• 为我的模型创建 2 个实例：

model_train = 模型(reuse=false)

model_test = 模型(reuse=true)

• 使用 tf.make_template ？我真的没有找到这个函数的任何好例子......
• 还有其他解决方案吗？

如果有任何建议，我将不胜感激，

Answer 1

我在试验 TFRecords 数据集时遇到了同样的问题。有几种可能性。因为我想在只有一个 GPU 的计算机上执行此操作，所以我按如下方式实现它：

# Training Dataset
train_dataset = tf.contrib.data.TFRecordDataset(train_files)
train_dataset = train_dataset.map(parse_function)
train_dataset = train_dataset.shuffle(buffer_size=10000)
train_dataset = train_dataset.batch(200)
# Validation Dataset
validation_dataset = tf.contrib.data.TFRecordDataset(val_files)
validation_dataset = validation_dataset.map(parse_function)
validation_dataset = validation_dataset.batch(200)

# A feedable iterator is defined by a handle placeholder and its structure. We
# could use the `output_types` and `output_shapes` properties of either
# `training_dataset` or `validation_dataset` here, because they have
# identical structure.
handle = tf.placeholder(tf.string, shape=[])
iterator = tf.contrib.data.Iterator.from_string_handle(handle,
 train_dataset.output_types, train_dataset.output_shapes)
next_element = iterator.get_next()

# Generate the Iterators
training_iterator = train_dataset.make_initializable_iterator()
validation_iterator = validation_dataset.make_one_shot_iterator()

# The `Iterator.string_handle()` method returns a tensor that can be evaluated
# and used to feed the `handle` placeholder.
training_handle = sess.run(training_iterator.string_handle())
validation_handle = sess.run(validation_iterator.string_handle())

然后为了访问元素，你可以这样：

img, lbl = sess.run(next_element, feed_dict={handle: training_handle})

并根据您愿意做什么来交换句柄 ATM。

但是请记住，这是不可并行的。通过此链接，您可以深入了解创建多个输入管道Tensorflow | Reading Data 的不同方法。