在测试时替换输入管道(不带占位符的tf.contrib.data)

Question

在训练期间，我将tf.contrib.data函数用于输入管道(没有占位符)。我的问题是，如何重用经过训练的模型，并在测试时输入新数据？这个问题类似于this one，除了我也不想在测试中使用占位符-我的测试数据集可能非常大，并且应该避免占位符的速度变慢。

有没有办法在测试时用新的管道替换输入管道？

Answer 1

我不确定是否有解决这个问题的最佳方法，但我是这样解决的：

在我的模型中，我使用了一个简单的MLP，所以我的model()函数中有如下几行：

train_layer = tf.add(tf.matmul(x_train, weights['w1']), biases['b1'])
train_layer = tf.nn.relu(train_layer)
test_layer = tf.add(tf.matmul(x_test, weights['w1']), biases['b1'])
test_layer = tf.nn.relu(test_layer)

如您所见，我有两个输入：x_train和x_test。以下是从tf.contrib.data数据集迭代器获取批数据的句柄：

x_train, x_train_labels = train_iter.get_next()
x_test, x_test_labels = test_iter.get_next()

因此，我基本上在同一个图中有两个数据流，它们执行的是完全相同的操作。我还有两个模型的输出，mlp_train和mlp_test，这取决于模型是使用x_train还是x_test输入进行评估的。

现在:如果您使用mlp_train输出创建优化器，并使用mlp_test输出创建测试指标，则只需运行：sess.run(optimiser)在训练数据集上训练您的系统，sess.run(test_metrics)在测试数据集上测试您的系统，并且您永远不需要使用feed_dict。

编辑：我读到了你关于使用“模型训练时不可用的数据”的评论，我不认为这个答案能满足你的要求。