Question

我正在尝试通过训练和验证同一模型（完全连接的MLP）来构建图形，而无需重新运行会话，而不使用feed_dict和tf.data。通常，使用feed_dict我将使用输入张量X定义模型，并评估张量损失或准确性。然后，在图形执行期间，我将编写类似

的代码

...
#Training
session.run([train_op], feed_dict={X: XTrainingData, Y: YTrainingData})
#Validation
session.run([accuracy_validation], feed_dict={X: XValidationData, Y: YValidationData})

我知道如何使用数据集进行训练并避免使用feed_dict。我的问题是：如何避免使用feed_dict进行培训和验证？如果X来自迭代器，我将两次调用.get_next（）（一次用于训练X1，一次用于验证X2），如何构建图以使用X1和X2？

更一般而言，我应该避免多次调用session.run（）吗？

Answer 1

用于验证的session.run（）调用将仅仅是前馈网络，这将花费非常少的时间和内存。因此，如果多次使用它应该没什么大不了的。您可以尝试使用另一个针对X1和Y1使用不同输入占位符的验证操作，并将这些张量传递给模型并进行验证。

x1 = tf.placeholder(shape=[None,256,256,1],dtype='float32',name='input_img')
y1 = tf.placeholder(shape=[None,256,256,1],dtype='float32',name='output_img')
x2 = tf.placeholder(shape=[None,256,256,1],dtype='float32',name='val_input_img')
y2 = tf.placeholder(shape=[None,256,256,1],dtype='float32',name='val_output_img')

pred = mod(x1) #mod is the network
val = mod(x2)  #prediction for validation
los = tf.reduce_mean(tf.square(pred-y1))
val_los = tf.reduce_mean(tf.square(val-y2)) # validation loss
opt = tf.train.AdamOptimizer(learning_rate=0.001)
train = opt.minimize(los)
init = tf.global_variables_initializer()

然后执行类似的操作

_,val_lo = session.run([train,val_los],feed_dict={x1:xtr,y1:ytr,x2:xval,ytr:yval})

Answer 2

以相同方式将验证集输入数据管道有什么问题？

我可以将同一模型用于不同的输入张量吗？我应该避免多次运行session.run（）吗？

2 个答案: