TensorFlow 高效 Cyclegan 历史池

Question

在CycleGAN paper 中提到了鉴别器的历史池。因此我们保持最后，例如来自生成器的 50 个样本并将它们馈送到鉴别器。如果没有历史，这很简单，我们可以利用tf.data.Dataset 和迭代器将数据插入网络。但是有了历史池，我不知道如何使用tf.data.Dataset api。 训练循环中的代码类似于

fx, fy = sess.run(model_ops['fakes'], feed_dict={
    self.cur_x: cur_x,
    self.cur_y: cur_y,
})

cur_x, cur_y = sess.run([self.X_feed.feed(), self.Y_feed.feed()])
feeder_dict = {
    self.cur_x: cur_x,
    self.cur_y: cur_y,
    self.prev_fake_x: x_pool.query(fx, step),
    self.prev_fake_y: y_pool.query(fy, step),
}
# self.cur_x, self.cur_y, self.prev_fake_x, self.prev_fake_y are just placeholders
# x_pool and y_pool are simple wrappers for random sampling from the history pool and saving new images to the pool
for _ in range(dis_train):
    sess.run(model_ops['train']['dis'], feed_dict=feeder_dict)
for _ in range(gen_train):
    sess.run(model_ops['train']['gen'], feed_dict=feeder_dict)

让我困扰的是代码效率低下，例如在训练期间不可能像tf.data API 的预取那样预加载下一批，但我看不到任何使用tf.data API 的方法。 它是否提供某种历史池，我可以将其用于预取并通常优化数据加载模型？ 此外，当我在鉴别器训练 op 和生成器训练 op 之间有一定比例时，也会出现类似的问题。 例如，如果我想每 1 步鉴别器运行 2 步生成器训练操作，是否可以使用相同的数据来完成？因为使用tf.data API，每次调用 sess.run 时都会从迭代器中抽取新样本。

有什么方法可以正确有效地实施吗？

Answer 1

所以，我发现TFGAN tensorflow contrib 存储库中已经实现了历史池。