我在培训期间使用tf.contrib.data函数作为输入管道（没有占位符）。我的问题是如何在测试时重复使用经过训练的模型并输入新数据？问题类似于this one，除了我不想在测试中使用占位符 - 我的测试数据集可能非常大，并且也应该避免占位符的减速。
有没有办法在测试时用新的输入管道替换输入管道？
答案 0 :(得分：0)
我不确定是否有最佳方法可以解决这个问题，但这就是我解决它的方法：
在我的模型中，我使用的是简单的MLP，因此我的model()函数中包含这样的行：
train_layer = tf.add(tf.matmul(x_train, weights['w1']), biases['b1'])
train_layer = tf.nn.relu(train_layer)
test_layer = tf.add(tf.matmul(x_test, weights['w1']), biases['b1'])
test_layer = tf.nn.relu(test_layer)
如您所见，我有两个输入x_train和x_test。这些是从tf.contrib.data数据集迭代器获取批量数据的句柄：
x_train, x_train_labels = train_iter.get_next()
x_test, x_test_labels = test_iter.get_next()
所以我基本上在同一个图中有两个数据流，执行完全相同的操作。我还有两个模型输出mlp_train和mlp_test，具体取决于模型是使用x_train还是x_test输入进行评估。
现在：如果您使用mlp_train输出创建优化器，并使用mlp_test输出创建测试指标，则只需运行：sess.run(optimiser)即可在训练数据集，sess.run(test_metrics)在测试数据集上测试您的系统，您永远不需要使用feed_dict。
编辑：我读到了关于使用＆＃34;在模型培训时无法获得的数据的评论＆＃34;，我认为这个答案不能满足要求。< / p>