Я пытался сделать учебник mnist с файлами png и довел большинство вещей до того момента, когда они имеют смысл.
Суть кода находится здесь, однако я расскажу, что он делает и где проблема происходит.
У меня есть функция, которая генерирует имена файлов, которые я могу передать slice_input_producer.
def gen_file_names_and_labels(rootDir):
"""goes through the directory structure and extracts images and labels from each image."""
file_names = []
labels = []
for file_name in glob.glob(rootDir+'/*/*'):
file_type_removed = file_name.split('.')[0]
split_by_dir = file_type_removed.split('/')
file_names.append(file_name)
labels.append(int(split_by_dir[2])) #getting the folder it's in, turning into an int, and using as label
return file_names, labels
Это ведет себя так, как ожидалось.
В теле я запускаю эту функцию для обучения и тестирования и превращаю их в тензоры, передавая эти тензоры в slice_input_producer
sess = tf.InteractiveSession()
#THERE A PIPELINE FOR BOTH TESTING AND TRAINING. THEY COME IN PAIRS
image_list_train, label_list_train = gen_file_names_and_labels('mnist_png/training')
image_list_test, label_list_test = gen_file_names_and_labels('mnist_png/testing')
images_train = tf.convert_to_tensor(image_list_train,dtype=tf.string)
images_test = tf.convert_to_tensor(image_list_test,dtype=tf.string)
#remember that these aren't the actual images, just file_names
labels_train = tf.convert_to_tensor(label_list_train,dtype=tf.int32)
labels_test = tf.convert_to_tensor(label_list_test,dtype=tf.int32)
input_queue_train = tf.train.slice_input_producer([images_train ,labels_train] , shuffle=True)
input_queue_test = tf.train.slice_input_producer([images_train ,labels_train] , shuffle=True)
эта часть также работает правильно.
Здесь все становится странно.
asdf = tf.placeholder(tf.int32)
input_queue = tf.cond( asdf>0, lambda: input_queue_train, lambda: input_queue_test)
# input_queue = input_queue_test
image, label = read_images_from_disk(input_queue)
image_reshaped = tf.reshape( image, [28,28,1])
image_batch, label_batch = tf.train.batch([image_reshaped,label],batch_size=50)
Переменная asdf была переименована в гневе, так как она несла плохие новости. См. План здесь состоял в том, чтобы использовать разные очереди для обучения и тестирования. Я планировал передать в feed_dict одно целое число, которое будет работать как специальное логическое значение для переключения между ними.
coord = tf.train.Coordinator()
threads = tf.train.start_queue_runners(coord=coord)
sess.run(tf.initialize_all_variables())
print(label_batch.eval(feed_dict={asdf:0,keep_prob:1.0}))
for i in range(500):
# batch = mnist.train.next_batch(50)
if i%20 ==0:
train_accuracy = accuracy.eval(feed_dict={keep_prob:1.0,asdf:0})
print("step %d, training accuracy %g"%(i, train_accuracy))
train_step.run(feed_dict={keep_prob:0.9,asdf:0})
Однако при его запуске я получаю сообщение об ошибке: «Вы должны передать значение для тензора-заполнителя «Заполнитель» с dtype int32», что странно, потому что я передаю его.
используя «print(foo.eval(feed_dict={asdf:0,keep_prob:1.0))», я смог заметить некоторые интересные явления. Кажется, что переключение работает нормально, когда я оцениваю отдельные переменные, объявленные «изображение, метка», которые выйти из "read_images_from_disk(input_queue)"
Однако, если я попытаюсь оценить пакетную обработку, которая следует сразу после этого, я получу вышеупомянутую ошибку.
Что я делаю неправильно с пакетной обработкой, чтобы это произошло? Есть ли лучший способ сделать это переключение между тестовыми и тренировочными наборами? В чем смысл жизни, вселенной и всего остального? Я рассчитываю на вас StackOverflow. Ты моя единственная надежда.
