@Michael Jais G Antwort ist korrekt. Es funktioniert jedoch nicht, wenn Sie auch bestimmte session_run_hooks verwenden möchten, die Teile des Diagramms wie z. LoggingTensorHook oder SummarySaverHook. Das folgende Beispiel wird einen Fehler verursachen:
import tensorflow as tf
dataset_train = tf.data.Dataset.range(10)
dataset_val = tf.data.Dataset.range(90, 100)
iter_train_handle = dataset_train.make_one_shot_iterator().string_handle()
iter_val_handle = dataset_val.make_one_shot_iterator().string_handle()
handle = tf.placeholder(tf.string, shape=[])
iterator = tf.data.Iterator.from_string_handle(
handle, dataset_train.output_types, dataset_train.output_shapes)
feature = iterator.get_next()
pred = feature * feature
tf.summary.scalar('pred', pred)
global_step = tf.train.create_global_step()
summary_hook = tf.train.SummarySaverHook(save_steps=5,
output_dir="summaries", summary_op=tf.summary.merge_all())
with tf.train.MonitoredTrainingSession(hooks=[summary_hook]) as sess:
handle_train, handle_val = sess.run([iter_train_handle, iter_val_handle])
for step in range(10):
feat = sess.run(feature, feed_dict={handle: handle_train})
pred_ = sess.run(pred, feed_dict={handle: handle_train})
print('train: ', feat)
print('pred: ', pred_)
if step % 3 == 0:
print('val', sess.run(feature, feed_dict={handle: handle_val}))
Dies wird mit Fehler fehlschlagen:
InvalidArgumentError (see above for traceback): You must feed a value for placeholder tensor 'Placeholder' with dtype string
[[Node: Placeholder = Placeholder[dtype=DT_STRING, shape=[], _device="/job:localhost/replica:0/task:0/device:CPU:0"]()]]
[[Node: cond/Switch_1/_15 = _Recv[client_terminated=false, recv_device="/job:localhost/replica:0/task:0/device:GPU:0", send_device="/job:localhost/replica:0/task:0/device:CPU:0", send_device_incarnation=1, tensor_name="edge_18_cond/Switch_1", tensor_type=DT_INT64, _device="/job:localhost/replica:0/task:0/device:GPU:0"]()]]
Der Grund dafür ist, dass der Haken versuchen, die Grafik bereits auf dem ersten session.run zu bewerten ([ iter_train_handle, iter_val_handle]), die offensichtlich noch kein Handle im feed_dict enthält. Die Problemumgehung besteht darin, die Hooks, die das Problem verursachen, zu überschreiben und den Code in before_run und after_run zu ändern, um nur bei session.run-Aufrufen mit dem Handle im feed_dict auszuwerten (Sie können auf das feed_dict der aktuellen session.run zugreifen.) Aufruf über das run_context-Argument von before_run und after_run)
Oder Sie können den neuesten Master von Tensorflow (post-1.4) verwenden, der eine Funktion run_step_fn zu MonitoredSession hinzufügt, mit der Sie die folgende step_fn angeben können, die den Fehler vermeidet (on die Kosten der Auswertung der if-Anweisung TrainingIteration Anzahl der Male ...)
def step_fn(step_context):
if handle_train is None:
handle_train, handle_val = sess.run([iter_train_handle, iter_val_handle])
return step_context.run_with_hooks(fetches=..., feed_dict=...)