Question

所以我通过以下代码使我的keras模型可以与tf.Dataset一起使用：

# Initialize batch generators(returns tf.Dataset)
batch_train = build_features.get_train_batches(batch_size=batch_size)

# Create TensorFlow Iterator object
iterator = batch_train.make_one_shot_iterator()
dataset_inputs, dataset_labels = iterator.get_next()

# Create Model
logits = .....(some layers)
keras.models.Model(inputs=dataset_inputs, outputs=logits)

# Train network
model.compile(optimizer=train_opt, loss=model_loss, target_tensors=[dataset_labels])
model.fit(epochs=epochs, steps_per_epoch=num_batches, callbacks=callbacks, verbose=1)

但是，当我尝试将validation_data参数传递给模型时。适合它告诉我不能与发电机一起使用。有没有一种在使用tf.Dataset时使用验证的方法

例如在tensorflow中，我可以执行以下操作：

# initialize batch generators
batch_train = build_features.get_train_batches(batch_size=batch_size)
batch_valid = build_features.get_valid_batches(batch_size=batch_size)

# create TensorFlow Iterator object
iterator = tf.data.Iterator.from_structure(batch_train.output_types,
                                           batch_train.output_shapes)

# create two initialization ops to switch between the datasets
init_op_train = iterator.make_initializer(batch_train)
init_op_valid = iterator.make_initializer(batch_valid)

然后只需使用sess.run(init_op_train)和sess.run(init_op_valid)在数据集之间切换

我尝试实现一个仅执行此操作的回调（切换到验证集，进行预测并返回），但它告诉我不能在回调中使用model.predict

有人可以帮助我使用Keras + Tf.Dataset进行验证

编辑：将答案合并到代码中

所以最后，对我有用的是，由于所选的答案是：

# Initialize batch generators(returns tf.Dataset)
batch_train = # returns tf.Dataset
batch_valid = # returns tf.Dataset

# Create TensorFlow Iterator object and wrap it in a generator
itr_train = make_iterator(batch_train)
itr_valid = make_iterator(batch_train)

# Create Model
logits = # the keras model
keras.models.Model(inputs=dataset_inputs, outputs=logits)

# Train network
model.compile(optimizer=train_opt, loss=model_loss, target_tensors=[dataset_labels])
model.fit_generator(
    generator=itr_train, validation_data=itr_valid, validation_steps=batch_size,
    epochs=epochs, steps_per_epoch=num_batches, callbacks=cbs, verbose=1, workers=0)

def make_iterator(dataset):
    iterator = dataset.make_one_shot_iterator()
    next_val = iterator.get_next()

    with K.get_session().as_default() as sess:
        while True:
            *inputs, labels = sess.run(next_val)
            yield inputs, labels

这不会带来任何间接费用

Answer 1

我通过使用fit_genertor解决了这个问题。我找到了解决方法here。我应用了@ Dat-Nguyen的解决方案。

您只需创建两个迭代器，一个用于训练，一个用于验证，然后创建您自己的生成器，即可从数据集中提取批次，并以（batch_data，batch_labels）的形式提供数据。最后，在model.fit_generator中，您将传递train_generator和validation_generator。

Answer 2

将可重新初始化的迭代器连接到Keras模型的方法是插入一个同时返回x和y值的迭代器：

sess = tf.Session()
keras.backend.set_session(sess) 

x = np.random.random((5, 2))
y = np.array([0, 1] * 3 + [1, 0] * 2).reshape(5, 2) # One hot encoded
input_dataset = tf.data.Dataset.from_tensor_slices((x, y))

# Create your reinitializable_iterator and initializer
reinitializable_iterator = tf.data.Iterator.from_structure(input_dataset.output_types, input_dataset.output_shapes)
init_op = reinitializable_iterator.make_initializer(input_dataset)

#run the initializer
sess.run(init_op) # feed_dict if you're using placeholders as input

# build keras model and plug in the iterator
model = keras.Model.model(...)
model.compile(...)
model.fit(reinitializable_iterator,...)

如果您还具有验证数据集，那么最简单的操作就是创建一个单独的迭代器，并将其插入validation_data参数中。确保定义您的steps_per_epoch和validation_steps，因为它们不能被推断。

Keras model.fit（），带有tf.dataset API + validate_data

编辑：将答案合并到代码中

2 个答案: