tensorflow
Заполнители
Поиск…
параметры
параметр | подробности |
---|---|
тип данных (dtype) | в частности, одного из типов данных, предоставляемых пакетом тензорного потока. Например, tensorflow.float32 |
форма данных (форма) | Размеры заполнителя в виде списка или кортежа. None может использоваться для неизвестных размеров. Например (Нет, 30) определит метку размера (? X 30) |
имя (имя) | Имя операции (необязательно). |
Основы заполнителей
Заполнители позволяют вводить значения в график тензорного потока. Кроме того, они позволяют указывать ограничения, касающиеся размеров и типа данных, которые подаются. В этом они полезны при создании нейронной сети для подачи новых примеров обучения.
В следующем примере объявляется местозаполнитель для тензора 3 х 4 с элементами, которые (или могут быть введены к 32-битным поплавкам).
a = tf.placeholder(tf.float32, shape=[3,4], name='a')
Заполнитель не будет содержать никаких значений самостоятельно, поэтому важно, чтобы они загружали значения при запуске сеанса, иначе вы получите сообщение об ошибке. Это можно сделать, используя аргумент feed_dict
при вызове session.run()
, например:
# run the graph up to node b, feeding the placeholder `a` with values in my_array session.run(b, feed_dict={a: my_array})
Вот простой пример, показывающий весь процесс декларирования и кормления.
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)
Заполнитель принимает массив из 3 на 4, и тогда тензор умножается на 2 в узле b, после чего возвращается и выводит следующее:
[[ 2. 2. 2. 2.]
[ 2. 2. 2. 2.]
[ 2. 2. 2. 2.]]
Заполнитель по умолчанию
Часто хочется периодически запускать одну или несколько партий валидации в ходе обучения в глубокой сети. Обычно обучающие данные подаются по очереди , пока данные проверки могут быть переданы через feed_dict
параметра в sess.run()
. tf.placeholder_with_default()
призван хорошо работать в этой ситуации:
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)
В этом примере image_batch
и label_batch
генерируются get_training_batch()
если соответствующие значения не передаются как параметр feed_dict
во время вызова sess.run()
.