Question

考虑以下示例：

import tensorflow as tf
import numpy as np

X = np.arange(4).reshape(4, 1) + (np.arange(3) / 10).reshape(1, 3)

batch = tf.data.Dataset.from_tensor_slices(X) \
        .batch(2).make_one_shot_iterator().get_next()

def foo(x):
    return x + 1

tensor = foo(batch)

现在，我正在寻找一种方法，可以使每个tensor调用多次session.run()进行采样，即：

def bar(x):
    return x - 1

result1 = bar(tensor)
with tf.control_dependencies([result1]):
    op = <create operation to sample from dataset into `tensor` again>
    with tf.control_dependencies([op]):
        result2 = bar(tensor)

sess = tf.Session()
print(*sess.run([result1, result2]), sep='\n\n')

应输出：

[[0.  0.1 0.2]
 [1.  1.1 1.2]]

[[2.  2.1 2.2]
 [3.  3.1 3.2]]

那有可能吗？我知道一个人可以多次调用get_next()以在不同张量对象中获取多个数据集样本，但是一个样本可以进入相同张量对象吗？

对我来说，用例是这样的：此代码的foo和bar部分是分开的，而foo部分不知道需要多少次样本每次运行。

P.S。我正在使用tf 1.12。也可以选择1.13，但不是tf 2。

Answer 1

是的，有可能。

到目前为止，您已经尝试过的一些见解：

每次需要从数据集中的新值时，都可以使用从make_one_shot_iterator()返回的数据集迭代器
您可以使自己的函数成为tf图的一部分，以将结果通过foo()

像这样的东西给你想要的输出（据我了解）

import tensorflow as tf
import numpy as np

X = np.arange(4).reshape(4, 1) + (np.arange(3) / 10).reshape(1, 3)

iterator = tf.data.Dataset.from_tensor_slices(X) \
        .batch(2).make_one_shot_iterator()

def foo(x):
    return x + 1

def get_tensor():
  return foo(iterator.get_next())

tensor = get_tensor()

def bar(x):
    return x - 1

result1 = bar(tensor)
with tf.control_dependencies([result1]):
    op = get_tensor()
    with tf.control_dependencies([op]):
        result2 = bar(op)

sess = tf.Session()
print(*sess.run([result1, result2]), sep='\n\n')

每次会话从tensorflow数据集采样到相同张量多次。run（）调用

1 个答案: