Question

我在Tensorflow中有一个自动编码器模型，大致可以编写为（这是不切实际的简化示例）：

x = tf.placeholder(tf.float32, input_shape, name='x')

# encoder part:
W = tf.Variable(tf.random_uniform(shape, -1, 1))
z = relu(tf.nn.conv2d(x, W, strides=[1, 2, 2, 1], padding='SAME'))

# decoder part:
y = relu(tf.nn.conv2d_transpose(z, W, shape_tr, 
         strides=[1, 2, 2, 1], padding='SAME'), b))
cost = tf.reduce_sum(tf.square(y - x))

所以我输入了占位符x，中间代表z，权重矩阵W和输出y。

然后我像这样训练我的模型：

optimizer = tf.train.AdamOptimizer(learning_rate).minimize(cost)
sess = tf.Session()
sess.run(tf.global_variables_initializer())
sess.run(optimizer, feed_dict={x: some_train_data})

现在给出一些测试数据，我可以检查模型的输出：

recon = sess.run(y, feed_dict={x: some_test_data})

我也可以获得该数据的中间表示

latent = sess.run(z, feed_dict={x: some_test_data})

我想要的是能够改变我的中间表示（z）并获得解码结果y。像这样：

recon = sess.run(y, feed_dict={z: some_fake_z})

当然，它不起作用，因为z不是占位符，我有像You must feed a value for placeholder tensor 'x'这样的错误。如果我提供x，则结果将完全不依赖于z（这也是我们可以预期的结果）。

所以我的问题是：如何运行一个将y计算为z的函数的子图，并将其与我自己的值z一起提供？

Answer 1

使用相同的变量创建另一个子图。

fake_z = tf.placeholder(z.dtype, z.name)
fake_y = relu(tf.nn.conv2d_transpose(fake_z, W, shape_tr, 
     strides=[1, 2, 2, 1], padding='SAME'), b))

现在你可以sess.run(fake_y, {fake_z: my_values})。

如果您使用tf.layers，则还应使用variable_scope确保图层权重相同。

这是静态图库的限制之一。你必须提前计划你需要计算的所有东西。

运行子图并提供中间变量

1 个答案: