python - 在函数内部构建 Tensorflow 图

Question

我正在学习 Tensorflow 并尝试正确构建我的代码。我(或多或少)知道如何构建图形或作为类方法，但我试图弄清楚如何最好地构建代码。我试过这个简单的例子:

def build_graph():                
     g = tf.Graph()     
     with g.as_default():                       
         a = tf.placeholder(tf.int8)
         b = tf.add(a, tf.constant(1, dtype=tf.int8))
     return g   

graph = build_graph()
with tf.Session(graph=graph) as sess:
     feed = {a: 3}      
     print(sess.run(b, feed_dict=feed))

应该只打印出 4。但是，当我这样做时，出现错误:

Cannot interpret feed_dict key as Tensor: Tensor 
Tensor("Placeholder:0", dtype=int8) is not an element of this graph.

我很确定这是因为函数 build_graph 中的占位符是私有(private)的，但是 with tf.Session(graph=graph) 不应该小心那个？在这种情况下，是否有更好的方法来使用提要字典？

Answer 1

有几个选项。

选项 1:只传递张量的名称而不是张量本身。

with tf.Session(graph=graph) as sess:
    feed = {"Placeholder:0": 3}      
    print(sess.run("Add:0", feed_dict=feed))

在这种情况下，最好为节点提供有意义的名称，而不是像上面那样使用默认名称:

def build_graph():
     g = tf.Graph()
     with g.as_default():
         a = tf.placeholder(tf.int8, name="a")
         b = tf.add(a, tf.constant(1, dtype=tf.int8), name="b")
     return g

graph = build_graph()
with tf.Session(graph=graph) as sess:
     feed = {"a:0": 3}
     print(sess.run("b:0", feed_dict=feed))

回想一下，名为 “foo” 的操作的输出是名为 “foo:0”、“foo:1” 的张量，等等。大多数操作只有一个输出。

选项 2:让您的 build_graph() 函数返回所有重要节点。

def build_graph():
     g = tf.Graph()
     with g.as_default():
         a = tf.placeholder(tf.int8)
         b = tf.add(a, tf.constant(1, dtype=tf.int8))
     return g, a, b

graph, a, b = build_graph()
with tf.Session(graph=graph) as sess:
     feed = {a: 3}
     print(sess.run(b, feed_dict=feed))

选项 3:将重要节点添加到集合中

def build_graph():
     g = tf.Graph()
     with g.as_default():
         a = tf.placeholder(tf.int8)
         b = tf.add(a, tf.constant(1, dtype=tf.int8))
     for node in (a, b):
         g.add_to_collection("important_stuff", node)
     return g

graph = build_graph()
a, b = graph.get_collection("important_stuff")
with tf.Session(graph=graph) as sess:
     feed = {a: 3}
     print(sess.run(b, feed_dict=feed))

选项 4:按照@pohe 的建议，您可以使用 get_tensor_by_name()

def build_graph():
     g = tf.Graph()
     with g.as_default():
         a = tf.placeholder(tf.int8, name="a")
         b = tf.add(a, tf.constant(1, dtype=tf.int8), name="b")
     return g

graph = build_graph()
a, b = [graph.get_tensor_by_name(name) for name in ("a:0", "b:0")]
with tf.Session(graph=graph) as sess:
     feed = {a: 3}
     print(sess.run(b, feed_dict=feed))

我个人最常使用选项 2，它非常简单，不需要玩弄名字。当图形很大并且会存在很长时间时，我使用选项 3，因为集合与模型一起保存，这是记录真正重要内容的快速方法。我并没有真正使用选项 1，因为我更喜欢实际引用对象(不知道为什么)。当您使用其他人构建的图形时，选项 4 很有用，而且他们没有为您提供对张量的直接引用。

希望这对您有所帮助!