tf.session.run()单函数运行和多函数运行区别

时间：2022-01-24 08:34:39

tf.session.run()单函数运行和多函数运行区别

觉得有用的话,欢迎一起讨论相互学习~

tf.session.run()单函数运行和多函数运行区别tf.session.run()单函数运行和多函数运行区别tf.session.run()单函数运行和多函数运行区别tf.session.run()单函数运行和多函数运行区别

problem introduction

sess.run([a,b]) # (1)同时运行a,b两个函数

sess.run(a)

sess.run(b) # (2)运行完a函数后再运行b函数
  • 这两个语句初看时没有任何区别，但是如果a,b函数恰好是读取example_batch和label_batch这种需要使用到 数据批次输入输出函数时 例如(tf.train.shuffle_batch.tf.reader.read).
  • (1)式只会调用一次输入数据函数，则得到的example_batch和label_batch来自同一批次。 (2)式会单独调用两次输入数据函数，则得到的example_batch来自上一批次而label_batch来自下一批次。
  • 这个需要十分注意，因为如果我们想要实时打印出label_batch和inference(example_batch)时，即将输入数据的标签和经过模型预测推断的结果进行比较时.如果我们使用(2)中的写法，则label_batch和inference(example_batch)并不是来自与同一批次数据。

example code

这里我们分别使用两种不同的代码，读取csv文件中的数据。我们观察这两种方式读取的数据有什么不同。

源程序文件下载

test_tf_train_batch.csv

import tensorflow as tf

BATCH_SIZE = 400

NUM_THREADS = 2

MAX_NUM = 5

def read_data(file_queue):

    reader = tf.TextLineReader(skip_header_lines=1)

    key, value = reader.read(file_queue)

    defaults = [[0], [0.], [0.]]

    NUM, C, Tensile = tf.decode_csv(value, defaults)

    vertor_example = tf.stack([C])

    vertor_label = tf.stack([Tensile])

    vertor_num = tf.stack([NUM])

    return vertor_example, vertor_label, vertor_num

def create_pipeline(filename, batch_size, num_threads):

    file_queue = tf.train.string_input_producer([filename])  # 设置文件名队列

    example, label, no = read_data(file_queue)  # 读取数据和标签

    example_batch, label_batch, no_batch = tf.train.batch(

        [example, label, no], batch_size=batch_size, num_threads=num_threads, capacity=MAX_NUM)

    return example_batch, label_batch, no_batch

x_train_batch, y_train_batch, no_train_batch = create_pipeline('test_tf_train_batch.csv', batch_size=BATCH_SIZE,

                                                               num_threads=NUM_THREADS)

init_op = tf.global_variables_initializer()

local_init_op = tf.local_variables_initializer()

with tf.Session() as sess:

    sess.run(local_init_op)

    sess.run(init_op)

    coord = tf.train.Coordinator()

    threads = tf.train.start_queue_runners(coord=coord)

    # 同时运行的方式

    example, label, num = sess.run([x_train_batch, y_train_batch, no_train_batch])

    print('The first mode to load data')

    print('example', example)

    print('label', label)

    print('num', num)

    # 分别运行的方式

    # example = sess.run(x_train_batch)

    # label = sess.run(y_train_batch)

    # num = sess.run(no_train_batch)

    # print('The second mode to load data')

    # print('example', example)

    # print('label', label)

    # print('num', num)

    coord.request_stop()

    coord.join(threads)

Result

Run at the same time

example, label, num = sess.run([x_train_batch, y_train_batch, no_train_batch])

print('The first mode to load data')

print('example', example)

print('label', label)

print('num', num)
example label num
[ 0.294 ] [ 0.59821427] [1]
[ 0.31 ] [ 0.51785713] [2]
[ 0.2 ] [ 0.79464287] [3]
[ 0.30000001] [ 0.4732143 ] [4]
[ 0.36000001] [ 0.6964286 ] [5]

Run respectively

   example = sess.run(x_train_batch)

   label = sess.run(y_train_batch)

   num = sess.run(no_train_batch)

   print('The second mode to load data')

   print('example\n', example)

   print('label\n', label)

   print('num\n', num)

经过对比原始数据,我们发现采用单独运行的方式读取的example来自第一个batch,label来自下一个batch,而num来自第三个batch.也就是说其实我们单独运行了三次文件输入的程序。虽然是个小事，但是有些方面不注意，我们会酿成大错

example label num
[ 0.294 ] [ 0.5625 ] [11]
[ 0.31 ] [ 0.3482143 ] [13]
[ 0.2 ] [ 0.5535714 ] [12]
[ 0.30000001] [ 0.5714286 ] [14]
[ 0.36000001] [ 0.48214287] [15]
  • 原始数据
C tensile NUM
0.294 0.598214286 1
0.31 0.517857143 2
0.2 0.794642857 3
0.3 0.473214286 4
0.36 0.696428571 5
0.28 0.5625 6
0.2 0.348214286 7
0.284 0.553571429 8
0.38 0.482142857 9
0.44 0.571428571 10
0.214 0.660714286 11
0.72 0.589285714 12
0.38 0.616071429 13
0.266 0.5 14
0.46 0.642857143 15

相关文章