Tensorflow beschwert sich über fehlende Feed_dict während Graph Restore

Question

Ich habe ein CNN für die Bildklassifizierung gebaut. Während des Trainings habe ich mehrere Checkpoints gespeichert. Die Daten werden über ein feed_dictionary in das Netzwerk eingespeist.

Jetzt möchte ich das Modell wiederherstellen, das fehlschlägt und ich kann nicht herausfinden, warum. Die wichtigen Codezeilen sind wie folgt:

with tf.Graph().as_default(): 

.... 

if checkpoint_dir is not None: 
    checkpoint_saver = tf.train.Saver() 
    session_hooks.append(tf.train.CheckpointSaverHook(checkpoint_dir, 
                 save_secs=flags.save_interval_secs, 
                 saver=checkpoint_saver)) 
.... 

with tf.train.MonitoredTrainingSession(
     save_summaries_steps=flags.save_summaries_steps, 
     hooks=session_hooks, 
     config=tf.ConfigProto(
      log_device_placement=flags.log_device_placement)) as mon_sess: 

    checkpoint = tf.train.get_checkpoint_state(checkpoint_dir) 
    if checkpoint and checkpoint.model_checkpoint_path: 

     # restoring from the checkpoint file 
     checkpoint_saver.restore(mon_sess, checkpoint.model_checkpoint_path) 

     global_step_restore = checkpoint.model_checkpoint_path.split('/')[-1].split('-')[-1] 
     print("Model restored from checkpoint: global_step = %s" % global_step_restore) 

The Line "checkpoint_saver.restore" wirft einen Fehler:

Traceback (jüngste Aufforderung zuletzt): Datei „C: \ Programme \ Anaconda3 \ envs \ tensorflow \ lib \ site-packages \ tensorfluss \ python \ client \ session.py ", Zeile 1022, in _do_call return fn (* args) Datei" C: \ Programme \ Anaconda3 \ envs \ tensorflow \ lib \ site-packages \ tensorflow \ python \ client \ session.py ", Zeile 1004, in _run_fn status, run_metadata) Datei" C: \ Programme \ Anaconda3 \ envs \ tensorflow \ lib \ contextlib.py ", Zeile 6 6, in Ausfahrt nächste (self.gen) Datei "C: \ Programme \ Anaconda3 \ envs \ Tensorfluss \ lib \ Site-Pakete \ Tensorfluss \ Python \ Framework \ Fehler_impl.py", Zeile 469, in Raise_exception_on_not_ok_status pywrap_tensorflow.TF_GetCode (Status)) tensorflow.python.framework.errors_impl.InvalidArgumentError: Sie müssen einen Wert für Platzhalter Tensor 'input_images' füttern mit dtype Schwimmer [[Knoten: input_images = Placeholderdtype = DT_FLOAT, Form = [], _device = "/ job: localhost/replik: 0/task: 0/cpu: 0"]]

Jeder weiß, wie man das löst? Warum brauche ich ein gefülltes feed_dictionary nur für die Wiederherstellung der Grafik?

Vielen Dank im Voraus!

Update:

Dies ist der Code des Wiederherstellungsmethode des Schoners Objekt:

def restore(self, sess, save_path): 
    """Restores previously saved variables. 

    This method runs the ops added by the constructor for restoring variables. 
    It requires a session in which the graph was launched. The variables to 
    restore do not have to have been initialized, as restoring is itself a way 
    to initialize variables. 

    The `save_path` argument is typically a value previously returned from a 
    `save()` call, or a call to `latest_checkpoint()`. 

    Args: 
     sess: A `Session` to use to restore the parameters. 
     save_path: Path where parameters were previously saved. 
    """ 
    if self._is_empty: 
     return 
    sess.run(self.saver_def.restore_op_name, 
      {self.saver_def.filename_tensor_name: save_path}) 

Was ich nicht bekommen: Warum der Graph sofort ausgeführt wird? Benutze ich die falsche Methode? Ich möchte nur alle trainierbaren Vars wiederherstellen.

Answer 1

Das Problem war Ursache von einem SessionRunHook für die Prozessaufzeichnung:

Original Haken:

class _LoggerHook(tf.train.SessionRunHook): 
    """Logs loss and runtime.""" 

    def begin(self): 
    self._step = -1 

    def before_run(self, run_context): 
    self._step += 1 
    self._start_time = time.time() 
    return tf.train.SessionRunArgs(loss) # Asks for loss value. 

    def after_run(self, run_context, run_values): 
    duration = time.time() - self._start_time 
    loss_value = run_values.results 
    if self._step % 5 == 0: 
     num_examples_per_step = FLAGS.batch_size 
     examples_per_sec = num_examples_per_step/duration 
     sec_per_batch = float(duration) 

     format_str = ('%s: step %d, loss = %.2f (%.1f examples/sec; %.3f ' 
        'sec/batch)') 
     print (format_str % (datetime.now(), self._step, loss_value, 
          examples_per_sec, sec_per_batch)) 

modifizierten Haken:

class _LoggerHook(tf.train.SessionRunHook): 
    """Logs loss and runtime.""" 

    def __init__(self, flags, loss_op): 
     self._flags = flags 
     self._loss_op = loss_op 
     self._start_time = time.time() 

    def begin(self): 
     self._step = 0 

    def before_run(self, run_context): 
     if self._step == 0: 
      run_args = None 
     else: 
      run_args = tf.train.SessionRunArgs(self._loss_op) 

     return run_args 

    def after_run(self, run_context, run_values): 

     if self._step > 0: 
      duration_n_steps = time.time() - self._start_time 
      loss_value = run_values.results 
      if self._step % self._flags.log_every_n_steps == 0: 
       num_examples_per_step = self._flags.batch_size 

       duration = duration_n_steps/self._flags.log_every_n_steps 
       examples_per_sec = num_examples_per_step/duration 
       sec_per_batch = float(duration) 

       format_str = ('%s: step %d, loss = %.2f (%.1f examples/sec; %.3f ' 
           'sec/batch)') 
       print(format_str % (datetime.now(), self._step, loss_value, 
            examples_per_sec, sec_per_batch)) 

       self._start_time = time.time() 
     self._step += 1 

Erläuterung:

Die Protokollierung jetzt Laufs übersprungen wird für die erste Iteration. Der Session.Run, der von Saver.restore (..) ausgeführt wird, benötigt also kein gefülltes Feed-Dictionary mehr.