Question

我的代码是这样编写的。

def __init__(self, X):
    ops.reset_default_graph()
    tl.layers.clear_layers_name()

    self.sess = tf.Session()

    self.input_x = tf.placeholder(tf.float32, shape=[None, 784],name="input")  

    input_layer = tl.layers.InputLayer(self.input_x)
    drop1 = tl.layers.DropoutLayer(input_layer, keep=0.8, name="drop1")
    relu1 = tl.layers.DenseLayer(drop1, n_units=800, act = tf.nn.relu)
    drop2 = tl.layers.DropoutLayer(relu1, keep=0.5, name="drop2")

    self.output = drop2.all_layers[-1]

    self.gradient = tf.gradients(self.output,self.input_x)

    init_op = tf.initialize_all_variables()
    self.sess.run(init_op)
    self.output.eval(session=self.sess, feed_dict={self.input_x:X})

正如您所看到的，只有一个占位符已启动，但是，我遇到了

InvalidArgumentError：您必须为占位符张量提供值＆＃39;占位符＆＃39;用dtype float [[Node：Placeholder = Placeholderdtype = DT_FLOAT，shape = []， _device =＆＃34; /作业：本地主机/复制：0 /任务：0 / CPU：0＆＃34;]]

我百分百肯定我输入的X类型为float32，形状为[1000,784]。

Answer 1

正如Olivier正确指出的那样，缺少Feed值的占位符张量的名称与您直接创建的占位符张量的名称不同（＆＃34;输入＆＃34;）。

如果您正在使用TensorLayer，您可能无法在不了解TensorLayer图层内部的情况下调用session.run或some_tensor.eval。例如，他们的DropoutLayer个实例在内部创建了tf.placeholder for the keep probability。

据说这个库似乎只希望您通过他们的API（例如fit和test）与您的模型进行互动，如下例所示：

# Train the network, we recommend to use tl.iterate.minibatches()
tl.utils.fit(sess, network, train_op, cost, X_train, y_train, x, y_,
            acc=acc, batch_size=500, n_epoch=500, print_freq=5,
            X_val=X_val, y_val=y_val, eval_train=False)

# Evaluation
tl.utils.test(sess, network, acc, X_test, y_test, x, y_, batch_size=None, cost=cost)

来自：https://github.com/zsdonghao/tensorlayer#your-first-program

Answer 2

您有两种方式在TensorLayer中使用 DropoutLayer ：

1）使用由TensorLayer创建的内部保留概率占位符，请参阅tutorial_mlp_dropout1.py

2）我们不是使用占位符来控制保持概率，而是构建两个用于训练和测试的图表，请参阅tutorial_mlp_dropout2.py

因此，在您的情况下，如果您不想使用TensorLayer创建的内部占位符，则可以使用第二种方式。

为什么张量流中的代码不起作用？

2 个答案: