tf.train.shuffle_batchプロダクション用のネットワークを作る方法

Question

私はで読んだtfrecordsファイルを作成しました。これはネットワークのトレーニングに最適です。しかし、私は動的生産のためのバッチサイズを減らすために、またどのように供給するようにしてtf.train.import_meta_graphで訓練されたグラフをインポートするために、私が試したtf.train.import_meta_graph

reader = tf.TFRecordReader() 
data = tf.train.shuffle_batch(...) 
# batch_size 100 

IS_TRAINING = tf.placeholder(tf.bool, shape=(), name="is_training") 
# tried constant, variable and placeholder with no luck 

custom_data = tf.Variable(...) 

_data = tf.cond(
    IS_TRAINING, 
    lambda: data, 
    lambda: custom_data, 
    name="condition" 
) 

coord = tf.train.Coordinator() 
threads = tf.train.start_queue_runners(coord=coord, sess=sess) 

# network graph 

coord.request_stop() 
coord.join(threads) 

sess.close() 

でグラフをロードするいくつかの変数を上書きするかどうかはわかりませんし、 feed_dictを使用して、IS_TRAININGをオーバーライドしようとしました。そのグラフでは、feed_dictでもフィードしているデータが使用されています。しかし、これまでのところ何も働いていません。

sess.run([variable], feed_dict={IS_TRAINING:False, custom_data:data}) 

Answer 1

あなたはtensorflowレコードリーダーを使用して、サンプルをロードしている場合にのみ使用されます（あなたがあなたのデータをロードしていなく手動TFレコードがファイルからのあなたがサンプルをロードするためにQueueRunnerの使用を排除したいと思う場合）、代わりにもうシャッフルバッチを使用しないように、あなたのモデルを変更し

sess.run([ops], feed_dict={data:my_custom_data})

にデータをロードし、これはチェックポイントをロードするためにあなたの能力に影響を与えるべきではない：

data = tf.placeholder(tf.float32, shape=(input_shape), name="data") 

ちょうどモデルを変更することが容易になるだろうむしろあなたが示したように条件付き代入を使うよりも。しかし、条件文を使用する場合は、custom_dataは変数ではなくプレースホルダにする必要があります。

どちらの場合でもコードを動作させたい場合は、グラフ実行時ではなく、グラフを定義するポイントでPython if文を使用します。