Question

我正在尝试在Tensorflow中设置一个优化图，避免将feed_dict与tf.FIFOQueue一起使用 - 至少这似乎是时间序列数据的正确方向。

我将首先使用feed_dict描述我的图表（以最小的术语），然后我尝试接受它。

假设我的时间序列存储在一个numpy数组time_series中：

wnd = 10 # window size
data_wnd = np.array([time_series[n:n+wnd] for n in range(1,time_series.size()+1)])

现在data_wnd[k]可以代表时间序列中的窗口k。

假设step是我的Tensorflow优化器，这可以通常如下工作：

for k in range(data_wnd.shape[0]):
    for n in range(epochs):
        sess.run(step, feed_dict={data_:data_wnd[k]})
    # Do stuff after optimization and proceed to next window frame
    # the optimized variable values for this frame are the initial values for the next frame

如果我没有窗口，那么我可以简单地使用data_并删除tf.constant，而不是使用占位符feed_dict。所以这是不可能的。

所以来tf.FIFOQueue：

q = tf.FIFOQueue(capacity=5, shapes=(wnd))
nq_op = q.enqueue(data_wnd[0])
qr = tf.train.QueueRunner(q, [nq_op]*1) # nq_op is not right
tf.train.add_queue_runner(qr)
data_ = q.dequeue() # instead of a placeholder

很好，所以现在我有一个队列，但这显然是错误的。 qr需要根据k将正确的数据框提供到队列中。有没有办法让enqueue或QueueRunner选择正确的框架？

更好的是，是否有一些专门的Tensorflow API以这种方式处理时间序列数据？

解决方案的一个重要约束要求我将所有内容保留在同一会话中，并且不会重新初始化变量，因为帧的优化解决方案接近前一帧的最佳解决方案。

提案不完整

我在考虑将几个nq_op定义如下：

nq_op = []
for k in range(data_wnd.shape[0]):
    nq_op = np.append(nq_op, q.enqueue(data_wnd[0]))

但这仍然需要QueueRunner正确选择正确的enqueue。

另一项提案

显然Tensorflow现在有一个tf.data API，但我不知道从哪里开始 - 或者就此而言，结束 - 使用此API。

Answer 1

我发现FIFOQueue不是正确的方向。

相反，this page在预加载数据下提供了正确的方法。

我们可以为data_使用占位符和变量的组合，而不是简单地使用占位符：

data_init = tf.placeholder(tf.float32, data_wnd.shape[0])
data_ = tf.Variable(data_init, trainable=False, collection=0)

正确定义VarType和TensorShape。

然后在我们的循环中：

for k in range(data_wnd.shape[0]):
    sess.run(data_.initializer, feed_dict={data_:data_wnd[k]})
    for n in range(epochs):
        sess.run(step)

请注意我们不再需要为每个n提供数据，但仅限于我们向前移动窗口时。

使用TensorFlow在没有dict_feed的移动时间序列数据窗口上优化图形

1 个答案: