如何顺利地为训练和测试集生成Tensorflow auc摘要？

Question

Tensorflow describes编写文件摘要以可视化图形执行。

我设想了三个阶段：

1. 培训数据（优化）
2. 测量训练集的准确度（无优化）
3. 测试装置的测量精度（无优化！）

我喜欢同一个脚本中的所有阶段，如wide_and_deep tutorial的evaluate函数，但是使用低级API。我想要三个不同的图表来统计损失或AUC，每个阶段一个。

假设我使用一个会话，并在每个阶段我定义一个AUC摘要op：

# define auc
auc, auc_op = tf.metrics.auc(labels, predictions)
# summary scalar to track it
tf.summary.scalar("auc", auc_op, family=family_name)
# merge all summaries for evaluation and later writing
summary_op = tf.summary.merge_all()
...
summary_writer.add_summary(summary, step_num)

有三个图表，但第一个图表上有三个图表，第二个图表有最后两个图表（见下文）。更糟糕的是，每个阶段都从之前的状态开始。这是有道理的，因为前几个阶段的所有变量仍然存在。

我可以为每个阶段使用不同的会话，但这也会丢掉模型。

处理此问题的顺利方法是什么？

我想清除一些摘要变量。我尝试重新初始化一些变量，查看related个问题，了解名称范围和变量范围，并尝试不重复使用AUC变量，阅读variables和sharing ，看了pruning nodes（虽然我不明白），等等。我还没有让它发挥作用。

我正在使用低级API。我在_eval_metric_ops的高级API中看到了类似的内容，但我不明白他们如何“清除”不同的阶段。使用name_scope？

我是否必须将模型保存并加载到新会话中，或者是否有一些简洁的方法来单独绘制每个摘要？

Answer 1

指标操作将是本地变量，因此您可以在会话中运行tf.local_variables_initializer()，这将重置所有指标。您还可以查看本地变量集合中的＆＃34; auc＆＃34;在名字中，如果你想要更有洞察力。执行此操作的高级方法是使用Estimator，它将为您管理指标。