Lauf Subgraphen und Einspeisen Zwischenvariablen

Question

I ein Autoencoder Modell in Tensorflow haben, die als grob geschrieben werden kann (dies ist unrealistisch vereinfachtes Beispiel):

x = tf.placeholder(tf.float32, input_shape, name='x') 

# encoder part: 
W = tf.Variable(tf.random_uniform(shape, -1, 1)) 
z = relu(tf.nn.conv2d(x, W, strides=[1, 2, 2, 1], padding='SAME')) 

# decoder part: 
y = relu(tf.nn.conv2d_transpose(z, W, shape_tr, 
     strides=[1, 2, 2, 1], padding='SAME'), b)) 
cost = tf.reduce_sum(tf.square(y - x)) 

So habe ich Eingangs Platzhalter x, Zwischendarstellung z, Gewichtungsmatrix W und Ausgabe y.

Dann trainiere ich mein Modell wie folgt aus:

optimizer = tf.train.AdamOptimizer(learning_rate).minimize(cost) 
sess = tf.Session() 
sess.run(tf.global_variables_initializer()) 
sess.run(optimizer, feed_dict={x: some_train_data}) 

nun einige Testdaten gegeben ich die Ausgabe des Modells überprüfen:

recon = sess.run(y, feed_dict={x: some_test_data}) 

Ich kann auch die Zwischendarstellung für diese Daten erhalten

latent = sess.run(z, feed_dict={x: some_test_data}) 

Was ich will, ist in der Lage, meine Zwischendarstellung zu ändern (z) und die decodierten Ergebnisse y erhalten. Etwas wie folgt aus:

recon = sess.run(y, feed_dict={z: some_fake_z}) 

Natürlich ist es nicht so z Arbeit ist kein Platzhalter, ich habe einen Fehler wie You must feed a value for placeholder tensor 'x'. Wenn ich x zur Verfügung stelle, werden die Ergebnisse überhaupt nicht von z abhängen (was wiederum zu erwarten ist).

Also meine Frage ist: Wie kann ich einen Subgraphen ausführen, die y als Funktion der z und ihn mit meinen eigenen Werten von z berechnet?

Answer 1

Erstellen Sie einen weiteren Untergraphen mit derselben Variablen.

fake_z = tf.placeholder(z.dtype, z.name) 
fake_y = relu(tf.nn.conv2d_transpose(fake_z, W, shape_tr, 
    strides=[1, 2, 2, 1], padding='SAME'), b)) 

Jetzt können Sie sess.run(fake_y, {fake_z: my_values}). Wenn Sie tf.layers verwenden, sollten Sie auch variable_scope verwenden, um sicherzustellen, dass die Schichtgewichte gleich sind.

Dies ist eine der Einschränkungen von statischen Graphenbibliotheken. Sie müssen alles vorausplanen, was Sie berechnen müssen.