tensorflow - 在同一台机器上运行训练和评估的最佳实践是什么？

Question

我想做的事？

1. 我只有一台机器。

2. 我想定期评估模式。

我现在有什么？

1. 使用占位符。假设我通过提供训练数据运行 1000 步训练。然后我输入验证数据集进行评估。把它放在一个循环中。

   但正如谷歌所建议的那样，占位符并不是长期训练的好方法。

2. 所以，我使用 slim 数据集来输入数据。现在，该模型与训练数据集绑定，如下所示：

    net = slim.conv2d(inputs, 64, [11, 11], 4, padding='VALID',
                               scope='conv1')
   

   我必须构建另一个与验证数据集绑定的模型（在另一个图中）。

有没有更好的方法来做到这一点？

Answer 1

该tf.estimator.train_and_evaluate()API 旨在简化同一台机器上的训练和评估（还包括支持在本地或使用 Cloud ML Engine 扩展到多台机器）。在内部，它为训练和评估构建不同的图，并将不同的输入管道（定义为“输入函数”）从 atf.estimator.TrainSpec和 atf.estimator.EvalSpec连接到这些图。您可以使用 Slim API 来构建这些输入函数，但我们现在建议您使用更灵活、更高效的tf.dataAPI 。