逐步构建 tf.Graph 并执行它

debugcn 发表于 Dev

蓝夏

我正在尝试tf.Graph根据某些条件逐步构建一个并在我完成附加后运行一次。

代码如下所示：

class Model:
    def __init__(self):
        self.graph = tf.Graph()
        ... some code ...

    def build_initial_graph(self):
        with self.graph.as_default():
            X = tf.placeholder(tf.float32, shape=some_shape)
            ... some code ...

    def add_to_existing_graph(self):
        with self.graph.as_default():
            ... some code adding more ops to the graph ...

    def transform(self, data):
        with tf.Session(graph=self.graph) as session:
             y = session.run(Y, feed_dict={X: data})
        return y

调用方法看起来像这样

model = Model()
model.build_initial_graph()
model.add_to_existing_graph()
model.add_to_existing_graph()
result = model.transform(data)

所以，两个问题

这种向现有图形添加操作的方式合法吗？在不同的地方使用相同的图形对象还是会覆盖旧的对象？
关于转换方法，X在feed_dict运行代码时无法识别，实现该目标的正确方法是什么？

粉煤灰

Q1：这当然是构建模型的合法方式，但更多的是意见问题。我只会建议将您的张量存储为属性（请参阅 Q2 的答案。）self.X=...。

您可以查看这篇关于如何以面向对象的方式构建 TensorFlow 模型的非常好的文章。

Q2：原因很简单，因为变量X不在你的transform方法范围内。
如果您执行以下操作，一切都会正常进行：

def build_initial_graph(self):
    with self.graph.as_default():
        self.X = tf.placeholder(tf.float32, shape=some_shape)
        ... some code ...

def transform(self, data):
    with tf.Session(graph=self.graph) as session:
         return session.run(self.Y, feed_dict={self.X: data})

更详细地说，在 TensorFlow 中，您定义的所有张量或操作（例如tf.placeholder或tf.matmul）都在tf.Graph()you re working on. You might want to store them in Python variable, as you did by doingX = tf.placeholder`中定义，但这不是强制性的。

如果您想访问您定义的张量之一，您可以