TensorFlow：tf.Session.run（）讀取並執行依賴性

我有典型的/通用TF（R1.3）配置，其中讀取單個tf.record文件和結果進行解碼來查詢一些記錄值：TensorFlow：tf.Session.run（）讀取並執行依賴性

import os, tensorflow as tf 

# path to TF record file containing single record 
record_file_path = os.path.join(os.getcwd(),'tf.record') 

# init a finite file queue with num_epochs=1 
file_queue = tf.train.string_input_producer([record_file_path],name='file_queue',num_epochs=1) 

# init record reader 
reader = tf.TFRecordReader() 

# read the record file 
_, tfrecord_read_op = reader.read(file_queue) 

tfrecord = tf.parse_single_example(
    tfrecord_read_op, 
    features={ 
     'image/height' : tf.FixedLenFeature([], tf.int64), 
     'image/width' : tf.FixedLenFeature([], tf.int64), 
     'image/label' : tf.FixedLenFeature([], tf.int64), 
     'image/encoded': tf.FixedLenFeature([], tf.string) 
    }, 
    name='features' 
) 

# since exported as tf.int64 there is no need for tf.decode_raw 
heightT = tfrecord['image/height'] 
widthT = tfrecord['image/width' ] 

with tf.Session() as sess: 

    # init vars 
    sess.run(tf.global_variables_initializer()) 
    sess.run(tf.local_variables_initializer()) 

    # Start populating the filename queue 
    queue_coordinator = tf.train.Coordinator() 
    queue_worker_threads = tf.train.start_queue_runners(coord=queue_coordinator) 

    # kaboom! 
    height = sess.run(heightT) 
    width = sess.run(widthT) 

    # why does this work ?? 
    #height, width = sess.run([heightT, widthT]) 

    # close down the queue 
    queue_coordinator.request_stop() 
    queue_coordinator.join(queue_worker_threads) 

print('image height x width : {}x{}'.format(height,width))

請注意，文件隊列被鉗位在num_epochs=1，所以只能爲TFRecordReader一次生成單個文件。

在計算曲線圖，二者heightT和widthT張量-OPS取決於tfrecord取決於tfrecord_read_op

因此，tfrecord被評估的任何時間，計算圖形的依賴應調用從file_queue另一個出隊。確實如此評估heightT和widthT中的單獨tf.Sessionrun()調用。

另外，如果num_epoch=None（即單個文件的無限出隊），單獨的調用將成功（！？）並且，num_epochs=None是默認值。

現在，最後，問題：如何/爲什麼單個run()調用與多個提取成功評估張量操作？也就是說，爲什麼

height,width = sess.run([heightT,widthT])

成功，但

height = sess.run(heightT) 
width = sess.run(widthT)

失敗？

事實上，使用佔位符（D型= tf.string）持有tfrecord_read_op的結果，並在執行佔位減輕tf.parse_single_example這種效果，但並沒有真正揭示什麼是在圖形評估發生的情況下，任何光線（s）在上面突出顯示。

來源

2017-09-14 brown.2179

最後一個問題 - 如果您在單次運行調用中獲取高度/寬度，它將重用任何共享張量（即單隊列出隊）。在2次調用中，它會觸發2個出隊 –

因此，每次session.run調用都不會評估超過一次op？在圖遍歷意義上，op被標記爲評估/看到，如果在同一運行調用中評估另一個fetch時遇到同一個op/node，則op將不會被重新評估。如果計算圖中有一個循環，但對共享文件讀取器等事物不太清晰，則更明顯。可能最簡單的重用示例就像'out1，out2 = sess.run（[op，op]）'只對'out1'評估'op'，並將結果重用爲out2。 –

運行時height,width = sess.run([heightT,widthT]) TensorFlow將計算對heightT, widthT的依賴關係，得到一個op，它將一次性計算這兩個Tensor s。然後Session運行此操作並存儲計算結果，然後獲取它們。

來源

2017-09-15 02:12:20

TensorFlow：tf.Session.run（）讀取並執行依賴性

回答

相關問題