如何使用生成器训练TensorFlow网络以产生输入？

Question

TensorFlowdocs描述了一系列使用TFRecordReader、TextLineReader、QueueRunner等和队列读取数据的方法。

我想做的事情要简单得多：我有一个python生成器函数，它生成一个无限序列的训练数据作为（X，y）元组（都是numpy数组，第一个维度是批处理大小）。我只想训练一个使用这些数据作为输入的网络。

有没有一个使用生成数据的生成器训练TensorFlow网络的简单示例？（按照MNIST或CIFAR示例的思路）

Answer 1

假设您有一个生成数据的函数：

 def generator(data): 
    ...
    yield (X, y)

现在您需要另一个描述模型架构的函数。它可以是处理X的任何函数，并且必须预测y作为输出（例如，神经网络）。

假设您的函数接受X和y作为输入，以某种方式从X计算y的预测，并返回y和预测y之间的损失函数（例如，在回归的情况下，交叉熵或MSE）：

 def neural_network(X, y): 
    # computation of prediction for y using X
    ...
    return loss(y, y_pred)

要使模型正常工作，需要为X和y定义占位符，然后运行会话：

 X = tf.placeholder(tf.float32, shape=(batch_size, x_dim))
 y = tf.placeholder(tf.float32, shape=(batch_size, y_dim))

占位符类似于“free variables”，在通过feed_dict运行会话时需要指定它：

 with tf.Session() as sess:
     # variables need to be initialized before any sess.run() calls
     tf.global_variables_initializer().run()

     for X_batch, y_batch in generator(data):
         feed_dict = {X: X_batch, y: y_batch} 
         _, loss_value, ... = sess.run([train_op, loss, ...], feed_dict)
         # train_op here stands for optimization operation you have defined
         # and loss for loss function (return value of neural_network function)

希望你会觉得有用。但是，请记住，这不是完全工作的实现，而是一个伪代码，因为您几乎没有指定任何细节。