tensorflow - 在 tensorflow 中多次运行训练操作

Question

我有一些相当大的批量大小，我想对其采取多个梯度步骤。虽然我可以使用 python for 循环轻松完成此操作，但我想可能有一种更有效的方法，不需要在每次迭代时将数据传输到 GPU。我曾多次尝试将训练操作放入获取列表中，但我不确定它实际上是否运行了多次(运行时完全相同)。

Answer 1

如果您有可变大小的批处理，那么变量不适合保存它，您可以使用持久张量在 run 调用之间保留此数据。这是一个玩具示例

t = tf.int32
params = tf.Variable(tf.ones_initializer((), dtype=dt))
data_batches = [[1], [2, 3], [4, 5, 6]]

# op that uploads data to TF and saves it as a persistent Tensor
data_saver_placeholder = tf.placeholder(dt)
tensor_handle_op = tf.get_session_handle(data_saver_placeholder)

data_placeholder, data = tf.get_session_tensor(dt)
train_op = tf.assign_add(params, tf.reduce_prod(data)) 
init_op = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init_op)

for batch in data_batches:
    # upload tensor to TF runtime and save its handle
    tensor_handle = sess.run(tensor_handle_op, feed_dict={data_saver_placeholder: batch})
    # run train op several times reusing same data
    for i in range(3):
        sess.run(train_op, feed_dict={data_placeholder: tensor_handle.handle})


assert sess.run(params) == 382