Question

阅读tensorflow教程，特别是https://www.tensorflow.org/tutorials/layers，有一个功能可以起到以下作用：

def some_model(mode):
    # some stuff here
    if mode == tf.estimator.ModeKeys.PREDICT:
        return tf.estimator.EstimatorSpec(mode=mode, predictions=predictions)
    # some other stuff here

    if mode == tf.estimator.ModeKeys.TRAIN:
        optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.001)
        train_op = optimizer.minimize(
            loss=loss,
            global_step=tf.train.get_global_step())
        return tf.estimator.EstimatorSpec(mode=mode, loss=loss, train_op=train_op)
 # return something else dependent on condition

以上对我来说没有意义，如果你用模式设置为预测来构建模型，是不是从头开始初始化权重/一些初始化器意味着这一步的结果纯粹是任意的？如果是这样的话为什么呢？当然你应该返回一个适合训练的模型，可以预测和训练吗？

我错过了什么？

Answer 1

模型功能仅提供根据所需的特定用途量身定制的图表（即您传递的mode）。

这个功能背后的想法是你只插入特定模式所需的图形：

预测：您只需要您的模型（从输入到predictions输出）。
评估：除了预测提供的内容之外，还需要某种准确度量来评估。
培训：除了预测提供的内容之外，您还需要计算损失，附加优化程序并进行列车操作。

在所有这些中，您实际学习的图形部分（即网络的权重）始终是相同的，因为它始终包含在输入和输出张量之间。该图表部分中的变量从检查点文件加载（如果可用），否则重新初始化。

附加到图表的其他节点是不同操作模式之间的实际变化，但在特定阶段之外不需要这些节点（例如，一旦完成训练，就可以处理损失计算，优化器和周围所需的所有样板。）

Tensorflow示例似乎已断开，函数根据模式返回不同的图形。这怎么办？

1 个答案: