Question

我是TensorFlow的新手，并且在阅读数据的机制方面有点绊倒了。我在mnist数据上设置了TensorFlow图，但是我想修改它以便我可以运行一个程序来训练它+保存模型，然后运行另一个程序来加载图形，进行预测和计算测试准确度。

我感到困惑的是如何绕过训练图中的原始I / O系统并注意＆＃34;注入＆＃34;用于预测的图像或用于精度测试的测试数据的（图像，标签）元组。要阅读培训数据，请使用以下代码：

_, input_data = util.read_examples(
    paths_to_files,
    batch_size,
    shuffle=shuffle,
    num_epochs=None)

feature_map = {
    'label': tf.FixedLenFeature(
    shape=[], dtype=tf.int64, default_value=[-1]),
    'image': tf.FixedLenFeature(
    shape=[NUM_PIXELS * NUM_PIXELS], dtype=tf.int64),
}
example = tf.parse_example(input_data, features=feature_map)

然后我将示例提供给卷积层等，并生成输出。

现在假设我使用指定输入的代码训练我的图形，保存图形和权重，然后在另一个脚本中恢复图形和权重以进行预测 - 我想采取（比如说）10图像并将它们提供给图形以生成预测。我如何＆＃34;注射＆＃34;这10张图片是为了让预测从另一端出来？

我玩过饲料词典和占位符，但我不确定它们是否适合我使用......似乎它们依赖于在内存中存储数据，而不是例如，从测试数据队列中读取。

谢谢！

Answer 1

如果您想要执行少量的推理/评估（即足以适应内存），带有占位符的Feed字典会有意义 - 例如如果你正在服务一个简单的模型或运行小的eval循环。

如果您特别想要推断或评估大批量，那么您应该使用您用于培训的相同方法，但使用与测试/评估/实时数据不同的路径。 e.g。

_, eval_data = util.read_examples(
    paths_to_files,  # CHANGE THIS BIT
    batch_size,
    shuffle=shuffle,
    num_epochs=None)

您可以将其用作普通的python变量，并设置连续的相关步骤，以将其用作提供的变量。 e.g。

def get_example(data):
    return tf.parse_example(data, features=feature_map)

sess.run([get_example(path_to_your_data)])

将个别示例添加到TensorFlow图表中训练文件？

1 个答案: