Question

我有一些相当大的批量大小我想要采取多个渐变步骤。虽然我可以使用python for循环轻松完成此操作，但我想可能有一种更有效的方法，它不涉及在每次迭代时将数据传输到gpu。我曾多次尝试将火车操作系统放入获取列表中，但我不确定它是否实际运行了多次（运行时完全相同）。

Answer 1

如果您有可变大小的批处理，那么变量不适合保存它，您可以使用持久的张量在run次调用之间保留此数据。这是一个玩具示例

t = tf.int32
params = tf.Variable(tf.ones_initializer((), dtype=dt))
data_batches = [[1], [2, 3], [4, 5, 6]]

# op that uploads data to TF and saves it as a persistent Tensor
data_saver_placeholder = tf.placeholder(dt)
tensor_handle_op = tf.get_session_handle(data_saver_placeholder)

data_placeholder, data = tf.get_session_tensor(dt)
train_op = tf.assign_add(params, tf.reduce_prod(data)) 
init_op = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init_op)

for batch in data_batches:
    # upload tensor to TF runtime and save its handle
    tensor_handle = sess.run(tensor_handle_op, feed_dict={data_saver_placeholder: batch})
    # run train op several times reusing same data
    for i in range(3):
        sess.run(train_op, feed_dict={data_placeholder: tensor_handle.handle})


assert sess.run(params) == 382

Answer 2

如果您sess.run([myop,myop]) myop只运行group一次。

如果要运行op，但不将其结果提取到Python运行时，则可以使用控件依赖项。一个简单的方法是使用sess.run(tf.group(myop)) sess.run(tf.group(myop)) op，即

group

如果你的图表很大，你可以通过在运行调用之间构建myop_nooutput = tf.group(myop) sess.run(myop_nooutput) sess.run(myop_nooutput) op来获得额外的开销（对于＆gt; 10k节点图可能是10-100ms），所以你可以提前构建它

[
    {
        key: 1,
        element: 'input',
        type: 'text',
        placeholder: 'Jamie is'
    },
    {
        key: 2,
        element: 'input',
        type: 'text',
        placeholder: 'Jamie is Not'
    },
    {
        key: 3,
        element: 'input',
        type: 'password',
        placeholder: 'Jamie is'
    }
]

在tensorflow中多次运行train op

2 个答案: