tensorflow
Symbole zastępcze
Szukaj…
Parametry
Parametr | Detale |
---|---|
typ danych (dtype) | w szczególności jeden z typów danych dostarczanych przez pakiet tensorflow. Np. tensorflow.float32 |
kształt danych (kształt) | Wymiary symbolu zastępczego jako listy lub krotki. None nie można użyć do nieznanych wymiarów. Np. (Brak, 30) zdefiniowałby symbol zastępczy wymiaru (x 30) |
Nazwa nazwa) | Nazwa operacji (opcjonalnie). |
Podstawy symboli zastępczych
Symbole zastępcze umożliwiają wprowadzanie wartości do wykresu przepływu tensorowego. Dodatkowo umożliwiają określenie ograniczeń dotyczących wymiarów i typu danych wprowadzanych wartości. Jako takie są one przydatne podczas tworzenia sieci neuronowej w celu dostarczenia nowych przykładów szkoleniowych.
Poniższy przykład deklaruje symbol zastępczy tensora 3 na 4 z elementami, które są (lub mogą być przypisane do typu) 32-bitowe zmiennoprzecinkowe.
a = tf.placeholder(tf.float32, shape=[3,4], name='a')
Symbole zastępcze nie będą same zawierać żadnych wartości, dlatego ważne jest, aby podawać je wartościom podczas uruchamiania sesji, w przeciwnym razie pojawi się komunikat o błędzie. Można to zrobić za pomocą argumentu feed_dict
podczas wywoływania session.run()
, np .:
# run the graph up to node b, feeding the placeholder `a` with values in my_array session.run(b, feed_dict={a: my_array})
Oto prosty przykład pokazujący cały proces deklarowania i karmienia placholera.
import tensorflow as tf import numpy as np # Build a graph graph = tf.Graph() with graph.as_default(): # declare a placeholder that is 3 by 4 of type float32 a = tf.placeholder(tf.float32, shape=(3, 4), name='a') # Perform some operation on the placeholder b = a * 2 # Create an array to be fed to `a` input_array = np.ones((3,4)) # Create a session, and run the graph with tf.Session(graph=graph) as session: # run the session up to node b, feeding an array of values into a output = session.run(b, feed_dict={a: input_array}) print(output)
Symbol zastępczy przyjmuje tablicę jedynek 3 na 4, a ten tensor jest następnie mnożony przez 2 w węźle b, który następnie zwraca i wypisuje:
[[ 2. 2. 2. 2.]
[ 2. 2. 2. 2.]
[ 2. 2. 2. 2.]]
Symbol zastępczy z domyślnym
Często chce się sporadycznie uruchamiać jedną lub więcej serii walidacyjnych podczas szkolenia głębokiej sieci. Zwykle dane treningowe są zasilane przez kolejki, gdy dane poprawności może być przepuszczany przez feed_dict
parametru w sess.run()
. tf.placeholder_with_default()
został zaprojektowany tak, aby działał dobrze w tej sytuacji:
import numpy as np
import tensorflow as tf
IMG_SIZE = [3, 3]
BATCH_SIZE_TRAIN = 2
BATCH_SIZE_VAL = 1
def get_training_batch(batch_size):
''' training data pipeline '''
image = tf.random_uniform(shape=IMG_SIZE)
label = tf.random_uniform(shape=[])
min_after_dequeue = 100
capacity = min_after_dequeue + 3 * batch_size
images, labels = tf.train.shuffle_batch(
[image, label], batch_size=batch_size, capacity=capacity,
min_after_dequeue=min_after_dequeue)
return images, labels
# define the graph
images_train, labels_train = get_training_batch(BATCH_SIZE_TRAIN)
image_batch = tf.placeholder_with_default(images_train, shape=None)
label_batch = tf.placeholder_with_default(labels_train, shape=None)
new_images = tf.mul(image_batch, -1)
new_labels = tf.mul(label_batch, -1)
# start a session
with tf.Session() as sess:
sess.run(tf.initialize_all_variables())
coord = tf.train.Coordinator()
threads = tf.train.start_queue_runners(sess=sess, coord=coord)
# typical training step where batch data are drawn from the training queue
py_images, py_labels = sess.run([new_images, new_labels])
print('Data from queue:')
print('Images: ', py_images) # returned values in range [-1.0, 0.0]
print('\nLabels: ', py_labels) # returned values [-1, 0.0]
# typical validation step where batch data are supplied through feed_dict
images_val = np.random.randint(0, 100, size=np.hstack((BATCH_SIZE_VAL, IMG_SIZE)))
labels_val = np.ones(BATCH_SIZE_VAL)
py_images, py_labels = sess.run([new_images, new_labels],
feed_dict={image_batch:images_val, label_batch:labels_val})
print('\n\nData from feed_dict:')
print('Images: ', py_images) # returned values are integers in range [-100.0, 0.0]
print('\nLabels: ', py_labels) # returned values are -1.0
coord.request_stop()
coord.join(threads)
W tym przykładzie image_batch
i label_batch
są generowane przez get_training_batch()
chyba że odpowiednie wartości zostaną przekazane jako parametr feed_dict
podczas wywołania sess.run()
.