如何将Tensorflow数据集API与训练和验证集结合使用

本文介绍了如何将Tensorflow数据集API与训练和验证集结合使用的处理方法，对大家解决问题具有一定的参考价值，需要的朋友们下面随着小编来一起学习吧！ 问题描述 手头简单的任务：对N个历元进行训练，在每个历元之后执行精确的验证准确性计算。纪元大小可以等于完整的训练集，也可以等于预定义的迭代次数。在验证过程中，每个验证集输入必须精确地评估一次。 对于该任务，将one_shot_iterators，可初始化迭代器和/或句柄混合在一起的最佳方法是什么？ / p> 以下是我如何看待它的工作原理： def build_training_dataset（）：通过 def build_validation_dataset（）：通过 def Construct_train_op（dataset）： pass def magic（迭代器）： pass USE_CUSTOM_EPOCH_SIZE = True CUSTOM_EPOCH_SIZE = 60 MAX_EPOCHS = 100 training_dataset = build_training_dataset（）validation_dataset = build_validation_dataset（） ＃魔术在这里建立了一个很好的单实例数据集数据集=魔术（training_dataset，validation_dataset） train_op = Constructor_train_op（数据集） ＃运行N个历时，遍历训练数据集，然后是＃验证数据集。 ，其中tf.Session（）为ses：MAX_EPOCHS中的时期为： ＃培训如果USE_CUSTOM_EPOCH_SIZE：为_范围（CUSTOM_EPOCH_SIZE） ： sess.run（train_op）其他：而True：＃我猜是这样的：试试： sess.run（train_op ），除了tf.errors.OutOfRangeError： break＃我们已经完成了时代 ＃验证validation_predictions = [] 而True： try： np.append（validation_predictions，sess.run（train_op））＃但这次用于验证，除了tf.errors.OutOfRangeError： print（'epoch％d完成准确度：％f'％（epochvalidation_predictions.mean（）））休息 解决方案 自解决方案以来比我预期的要混乱得多，有两种情况： 0）两个示例共享的辅助代码： USE_CUSTOM_EPOCH_SIZE =真 CUSTOM_EPOCH_SIZE = 60 MAX_EPOCHS = 100 TRAIN_SIZE = 500 VALIDATION_SIZE = 145 BATCH_SIZE = 64 def Construct_train_op（批次）：退货批次 def build_train_dataset（） ： return tf.data.Dataset.range（TRAIN_SIZE）\ .map（lambda x：x + tf.random_uniform（[]，-10，10，tf.int64））\ .batch（BATCH_SIZE） def build_test_dataset（）：返回tf.data.Dataset.range（VALIDATION_SIZE）\ .batch（BATCH_SIZE） 1）对于等于火车数据集大小的纪元： ＃数据集构造 training_dataset = build_train_dataset（）validation_dataset = build_test_dataset（） ＃处理构造。 Handle允许我们通过在feed_dict中提供参数来馈送来自不同数据集的数据 handle = tf.placeholder（tf.string，shape = []） iterator = tf.data.Iterator.from_string_handle（handle， training_dataset.output_types，training_dataset.output_shapes） next_element = iterator.get_next（） train_op = Construct_train_op（next_element） training_iterator = training_dataset.make_initializable_iterator（）validation_iterator = validation_dataset.make_initializable_iterator（） ，其中tf.Session（）为sess： training_handle = sess.run（training_iterator.string_handle（））validation_handle = sess。运行（validation_iterator.string_handle（）） 在范围内的时期（MAX_EPOCHS）： #train sess.run（training_iterator.initializer） total_in_train = 0 而True：试试： train_output = sess.run（train_op，feed_dict = {handle：training_handle}） total_in_train + = len（train_output），除了tf.errors.OutOfRangeError： assert total_in_train == TRAIN_SIZE break＃我们完成了时代 ＃验证validation_predictions = [] sess.run（validation_iterator.initializer）而True：试试： pred = sess.run（train_op，feed_dict = {句柄：validation_handle }）validation_predictions = np.append（validation_predictions，pred）除了tf.errors.OutOfRangeError： assert len（validation_predictions）== VALIDATION_SIZE print（'Epoch％d完成了准确度：％f'％（epoch，np.mean（validation_predictions）））休息 2）对于自定义纪元大小： ＃数据集构造 training_dataset = build_train _dataset（）。repeat（）＃更改1 validation_dataset = build_test_dataset（） ＃处理构造。句柄允许我们通过在feed_dict中提供参数来馈送来自不同数据集的数据 handle = tf.placeholder（tf.string，shape = []） iterator = tf.data.Iterator.from_string_handle（handle， training_dataset.output_types，training_dataset.output_shapes） next_element = iterator.get_next（） train_op = Construct_train_op（next_element） training_iterator = training_dataset.make_one_shot_iterator （）＃更改2 validation_iterator = validation_dataset.make_initializable_iterator（） ，其中tf.Session（）为sess： training_handle = sess.run（training_iterator.string_handle（））validation_handle = sess.run（validation_iterator.string_handle（）） 在范围内的时期（MAX_EPOCHS）： #train ＃变更3：不初始化，不尝试/捕获范围内的_（CUSTOM_EPOCH_SIZE）： train_output = sess.run（train_op，feed_dict = {handle：training_handle}） ＃vali dation validation_predictions = [] sess.run（validation_iterator.initializer）而True：试试： pred = sess.run（train_op，feed_dict = {handle ：validate_handle}）validation_predictions = np.append（validation_predictions，pred）除了tf.errors.OutOfRangeError： assert len（validation_predictions）== VALIDATION_SIZE print（'Epoch％ d准确完成：％f'％（epoch，np.mean（validation_predictions）））休息 Simple task at hand: run training for N epochs performing calculating exact validation accuracy after each epoch. Epoch size can be either equal to full training set or some predefined number of iterations. During validation every validation set input has to be evaluated exactly once.What would be the best way to mix together one_shot_iterators, initializable iterator and/or handle for that task?Here is scaffolding of how i see it should work:def build_training_dataset(): passdef build_validation_dataset(): passdef construct_train_op(dataset): passdef magic(iterator): passUSE_CUSTOM_EPOCH_SIZE = TrueCUSTOM_EPOCH_SIZE = 60MAX_EPOCHS = 100training_dataset = build_training_dataset()validation_dataset = build_validation_dataset()# Magic goes here to build a nice one-instance datasetdataset = magic(training_dataset, validation_dataset)train_op = construct_train_op(dataset)# Run N epochs in which the training dataset is traversed, followed by the# validation dataset.with tf.Session() as sess: for epoch in MAX_EPOCHS: # train if USE_CUSTOM_EPOCH_SIZE: for _ in range(CUSTOM_EPOCH_SIZE): sess.run(train_op) else: while True: # I guess smth like this: try: sess.run(train_op) except tf.errors.OutOfRangeError: break # we are done with the epoch # validation validation_predictions = [] while True: try: np.append(validation_predictions, sess.run(train_op)) # but for validation this time except tf.errors.OutOfRangeError: print('epoch %d finished with accuracy: %f' % (epoch validation_predictions.mean())) break 解决方案 Since the solution is a lot messier than I expected it comes in 2 peaces:0) Auxiliary code shared by both examples:USE_CUSTOM_EPOCH_SIZE = TrueCUSTOM_EPOCH_SIZE = 60MAX_EPOCHS = 100TRAIN_SIZE = 500VALIDATION_SIZE = 145BATCH_SIZE = 64def construct_train_op(batch): return batchdef build_train_dataset(): return tf.data.Dataset.range(TRAIN_SIZE) \ .map(lambda x: x + tf.random_uniform([], -10, 10, tf.int64)) \ .batch(BATCH_SIZE)def build_test_dataset(): return tf.data.Dataset.range(VALIDATION_SIZE) \ .batch(BATCH_SIZE)1) For epoch equal to the train dataset size:# datasets constructiontraining_dataset = build_train_dataset()validation_dataset = build_test_dataset()# handle constructions. Handle allows us to feed data from different dataset by providing a parameter in feed_dicthandle = tf.placeholder(tf.string, shape=[])iterator = tf.data.Iterator.from_string_handle(handle, training_dataset.output_types, training_dataset.output_shapes)next_element = iterator.get_next()train_op = construct_train_op(next_element)training_iterator = training_dataset.make_initializable_iterator()validation_iterator = validation_dataset.make_initializable_iterator()with tf.Session() as sess: training_handle = sess.run(training_iterator.string_handle()) validation_handle = sess.run(validation_iterator.string_handle()) for epoch in range(MAX_EPOCHS): #train sess.run(training_iterator.initializer) total_in_train = 0 while True: try: train_output = sess.run(train_op, feed_dict={handle: training_handle}) total_in_train += len(train_output) except tf.errors.OutOfRangeError: assert total_in_train == TRAIN_SIZE break # we are done with the epoch # validation validation_predictions = [] sess.run(validation_iterator.initializer) while True: try: pred = sess.run(train_op, feed_dict={handle: validation_handle}) validation_predictions = np.append(validation_predictions, pred) except tf.errors.OutOfRangeError: assert len(validation_predictions) == VALIDATION_SIZE print('Epoch %d finished with accuracy: %f' % (epoch, np.mean(validation_predictions))) break2) For custom epoch size:# datasets constructiontraining_dataset = build_train_dataset().repeat() # CHANGE 1validation_dataset = build_test_dataset()# handle constructions. Handle allows us to feed data from different dataset by providing a parameter in feed_dicthandle = tf.placeholder(tf.string, shape=[])iterator = tf.data.Iterator.from_string_handle(handle, training_dataset.output_types, training_dataset.output_shapes)next_element = iterator.get_next()train_op = construct_train_op(next_element)training_iterator = training_dataset.make_one_shot_iterator() # CHANGE 2validation_iterator = validation_dataset.make_initializable_iterator()with tf.Session() as sess: training_handle = sess.run(training_iterator.string_handle()) validation_handle = sess.run(validation_iterator.string_handle()) for epoch in range(MAX_EPOCHS): #train # CHANGE 3: no initiazation, not try/catch for _ in range(CUSTOM_EPOCH_SIZE): train_output = sess.run(train_op, feed_dict={handle: training_handle}) # validation validation_predictions = [] sess.run(validation_iterator.initializer) while True: try: pred = sess.run(train_op, feed_dict={handle: validation_handle}) validation_predictions = np.append(validation_predictions, pred) except tf.errors.OutOfRangeError: assert len(validation_predictions) == VALIDATION_SIZE print('Epoch %d finished with accuracy: %f' % (epoch, np.mean(validation_predictions))) break 这篇关于如何将Tensorflow数据集API与训练和验证集结合使用的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持！