在Keras中使用tf.Dataset API

Question

我试图与Keras一起使用Dataset API，并试图在提到的这里行动计划中使用第三个选项。另外，当看到@fchollet 这里的第二个评论时，我认为第三个选项已经完成了。

但是，当我试图实现它时，我得到了以下错误：

当向模型提供符号张量时，我们期望张量具有静态批处理大小。具有形状的张量：(None, 32, 64, 64, 3)

我使用了以下策略来适应这个模型：

training_filenames = [.....]
dataset = tf.data.TFRecordDataset(training_filenames)
dataset = dataset.map(_parse_function_all) # Parse the record into tensors.

dataset = dataset.batch(20)
iterator = dataset.make_initializable_iterator()
videos, labels= iterator.get_next()

model = create_base_network(input_shape = ( 32, 64, 64 3))
# output dimension will be (None, 10) for the model above

sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy', optimizer=sgd)

model.fit(videos, labels, , epochs=10, steps_per_epoch=1000)

我可以用fit_generator来解决这个问题。我找到了这里解决方案，我应用了@Dat的解决方案。但是，为了计算AUC度量，我无法访问自定义回调中的验证数据集。所以我需要使用fit而不是fit_generator，但是首先需要消除这个错误。

有人能告诉我为什么我会犯这个错误吗？第三步是在Keras中安装模型，还是仍然存在问题？

Answer 1

我想我发现了问题。我使用的是独立的Keras，而不是从Tensorflow导入的。将迭代器直接提供给model.fit()的新特性只有在使用tf.Keras时才有效，而不是独立的Keras。

Answer 2

因此，我想出了如何在tf.DatasetAPI中使用keras，但是没有验证数据。你可以在这里查看我的问题，带有model.fit迭代器初始化器的Keras model.fit()