在同一台机器上运行培训和评估的最佳做法是什么？

Question

我想做什么？

1. 我只有一台机器。

2. 我想定期评估模式。

我现在拥有什么？

1. 使用占位符。假设我通过提供训练数据来执行1000步训练。然后我提供验证数据集进行评估。把它放在一个循环中。

   但谷歌建议，占位符不是长期培训的好方法。

2. 因此，我使用slim数据集来输入数据。现在，该模型与训练数据集绑定如下：

    net = slim.conv2d(inputs, 64, [11, 11], 4, padding='VALID',
                               scope='conv1')
   

   我必须构建另一个与验证数据集绑定的模型（在另一个图中）。

有更好的方法吗？

Answer 1

tf.estimator.train_and_evaluate() API旨在简化同一台计算机上的培训和评估（还包括支持在本地或使用Cloud ML Engine扩展到多台计算机）。在内部，它为培训和评估构建了不同的图形，并将不同的输入管道（定义为“输入函数”）从tf.estimator.TrainSpec和tf.estimator.EvalSpec连接到这些图形。您可以使用Slim API构建这些输入函数，但我们现在建议您使用tf.data API，这样更灵活，更高效。