Question

我正在编写一个包装类，它带有一个带有特殊成员的通用图表＆＃34; train_op＆＃34;管理我的模型的培训，保存和管理。

我想干净地跟踪生命周期的训练步数，如下：

with tf.control_dependencies([ step_add_one ]):
    self.train_op=tf.identity(self.training_graph.train_op )

引发TypeError（＆＃39;预期的二进制或unicode字符串，得到％r＆＃39; e，is_training = True，输入=无）

我认为这里的问题是train_op是tf.Optimizer.minimize（）的返回，所以它本身不是张量，而是一个操作。

一个明显的解决方法是在training_graph.loss上调用tf.identity，但是我失去了一点抽象，因为我必须在外部处理学习率等。而且，我觉得我错过了一些东西。

我怎样才能最好地解决这个问题？

Answer 1

您可以使用tf.group()，它可用于操作和张量。

例如：

x = tf.Variable(1.)
loss = tf.square(x)
optimizer = tf.train.GradientDescentOptimizer(0.1)
train_op = optimizer.minimize(loss)

step = tf.Variable(0)
step_add_one = step.assign_add(1)

with tf.control_dependencies([step_add_one]):
    train_op_2 = tf.group(train_op)

现在，当您运行train_op_2时，step的值将会增加。

但是，最好的方法（如果您可以修改创建图表的图表）是向global_step函数添加参数minimize：

train_op = optimizer.minimize(loss, global_step=step)

对于操作节点，具有控制依赖性的tf.identity的等效性

1 个答案: