Question

我一直在尝试使用png文件进行mnist教程，并且已经将大多数事情发展到了有意义的地步。

代码的要点是here但是我要介绍它的作用以及问题发生的地方。

我有一个生成文件名的函数，我可以给slice_input_producer。

def gen_file_names_and_labels(rootDir):

"""goes through the directory structure and extracts images and labels from each image."""
file_names = []
labels = []
for file_name in glob.glob(rootDir+'/*/*'):

    file_type_removed = file_name.split('.')[0]
    split_by_dir = file_type_removed.split('/')
    file_names.append(file_name)
    labels.append(int(split_by_dir[2])) #getting the folder it's in, turning into an int, and using as label
return file_names, labels

这符合预期。

在体内我运行此功能进行训练和测试，并将它们转换为张量，将这些张量传递给slice_input_producer

sess = tf.InteractiveSession()

#THERE A PIPELINE FOR BOTH TESTING AND TRAINING. THEY COME IN PAIRS    
image_list_train,   label_list_train    = gen_file_names_and_labels('mnist_png/training')
image_list_test,    label_list_test     = gen_file_names_and_labels('mnist_png/testing')

images_train    = tf.convert_to_tensor(image_list_train,dtype=tf.string)    
images_test     = tf.convert_to_tensor(image_list_test,dtype=tf.string)    

#remember that these aren't the actual images, just file_names
labels_train    = tf.convert_to_tensor(label_list_train,dtype=tf.int32)
labels_test     = tf.convert_to_tensor(label_list_test,dtype=tf.int32)

input_queue_train   = tf.train.slice_input_producer([images_train   ,labels_train]  , shuffle=True)
input_queue_test    = tf.train.slice_input_producer([images_train   ,labels_train]  , shuffle=True)

这部分也能正常运作。

这就是事情变得奇怪的地方。

asdf = tf.placeholder(tf.int32)
input_queue = tf.cond( asdf>0, lambda: input_queue_train, lambda: input_queue_test)
# input_queue = input_queue_test
image, label = read_images_from_disk(input_queue)
image_reshaped = tf.reshape( image, [28,28,1])
image_batch, label_batch = tf.train.batch([image_reshaped,label],batch_size=50)

变量asdf在愤怒中被重命名，因为它是坏消息的承载者。看这里的计划是使用不同的队列进行培训和测试。我计划在feed_dict中使用一个int作为ad-hoc布尔值，用于在两者之间进行切换。

coord = tf.train.Coordinator()
threads = tf.train.start_queue_runners(coord=coord)
sess.run(tf.initialize_all_variables())
print(label_batch.eval(feed_dict={asdf:0,keep_prob:1.0}))
for i in range(500):
    # batch = mnist.train.next_batch(50)

    if i%20 ==0:
        train_accuracy = accuracy.eval(feed_dict={keep_prob:1.0,asdf:0})
        print("step %d, training accuracy %g"%(i, train_accuracy))

    train_step.run(feed_dict={keep_prob:0.9,asdf:0})

运行时，我收到错误：＆＃34;您必须为占位符张量和占位符＆＃39;提供值。用dtype int32＆＃34; 这很奇怪，因为我正在喂它。

使用＆＃34; print（foo.eval（feed_dict = {asdf：0，keep_prob：1.0））我能够注意到一些有趣的现象。当我评估声明的各个变量＆＃34; image，label＆＃34;时，似乎切换工作正常。来自＆＃34; read_images_from_disk（input_queue）＆＃34;

但是，如果我尝试评估之后的批处理，我会收到上述错误。

我为实现这一目标而进行批处理有什么问题？有没有更好的方法在测试和训练集之间进行切换？宇宙生命和一切生命的意义是什么？我指望你StackOverflow。你是我唯一的希望。

Answer 1

在回答你的问题时，＆＃34;有没有更好的方法在测试和训练集之间切换？＆＃34;是的。 tf.cond()评估每个步骤的两个函数（请参阅here），因此不必要地访问这两个队列。 This SO discussion以及相关链接提供了几个更好的选择：

使用tf.placeholder_with_default()作为测试数据
使用make_template

使用批处理时，不会注意到feed_dict的TensorFlow问题

1 个答案: