具有多个输入的 Tensorflow 图没有 tf.placeholder 用于验证
Tensorflow graph with multiple inputs wihtout tf.placeholder for validation
我使用 tf.data API 作为我的模型。现在我将 tf.data 迭代器的输出定义为我的网络的输入。在我摆脱了 feed_dict 方法之后，我的表现有了显着的提高。
现在我想实现一个验证集，每次训练后至少 运行s 一次。有没有办法为 tf.data 实施验证 运行，或者我是否必须设置占位符并手动切换 tf.datasets 并再次使用 feed_dicts？验证测试的推荐方法是什么？
hack-ish 方式 - 节点替换
最简单的方法，虽然绝对不是最漂亮的，但就是使用 tf.data API 创建的节点作为 feed_dict 的输入——这是因为在 Tensorflow 中，您可以通过将其值直接提供给 feed_dict.
来替换计算图中任何节点的值
所以这会是这样的
batch_input = tf_train_data_foo()
validation_input = tf_validation_data_foo()
model = build_model(batch_input)
optimization_step = some_optimization_foo(model)
# Regular train
session.run(optimization_step)
# Validation run
validation_data = session.run(validation_input)
session.run(model, {batch_input: validation_data})
更好的方法——变量重用
如果所有构造都使用 tf.get_variable 而不是创建新变量，并且范围都设置为能够获取现有变量，则您只需调用 build_model 函数两次 - 一次使用训练数据（来自 tf.data）和一次验证数据。您可以在
上查看有关变量重用的更多详细信息
我使用 tf.data API 作为我的模型。现在我将 tf.data 迭代器的输出定义为我的网络的输入。在我摆脱了 feed_dict 方法之后，我的表现有了显着的提高。
现在我想实现一个验证集，每次训练后至少 运行s 一次。有没有办法为 tf.data 实施验证 运行，或者我是否必须设置占位符并手动切换 tf.datasets 并再次使用 feed_dicts？验证测试的推荐方法是什么？
hack-ish 方式 - 节点替换
最简单的方法，虽然绝对不是最漂亮的，但就是使用 tf.data API 创建的节点作为 feed_dict 的输入——这是因为在 Tensorflow 中，您可以通过将其值直接提供给 feed_dict.
所以这会是这样的
batch_input = tf_train_data_foo()
validation_input = tf_validation_data_foo()
model = build_model(batch_input)
optimization_step = some_optimization_foo(model)
# Regular train
session.run(optimization_step)
# Validation run
validation_data = session.run(validation_input)
session.run(model, {batch_input: validation_data})
更好的方法——变量重用
如果所有构造都使用 tf.get_variable 而不是创建新变量，并且范围都设置为能够获取现有变量，则您只需调用 build_model 函数两次 - 一次使用训练数据（来自 tf.data）和一次验证数据。您可以在