Tensorflow se plaint de manquer feed_dict pendant la restauration de graphique

Question

J'ai construit un CNN pour la classification d'image. Pendant l'entraînement, j'ai enregistré plusieurs points de contrôle. Les données sont transmises via un feed_dictionary dans le réseau.

Maintenant, je veux restaurer le modèle qui échoue et je ne comprends pas pourquoi. Les lignes importantes de code sont les suivantes:

with tf.Graph().as_default(): 

.... 

if checkpoint_dir is not None: 
    checkpoint_saver = tf.train.Saver() 
    session_hooks.append(tf.train.CheckpointSaverHook(checkpoint_dir, 
                 save_secs=flags.save_interval_secs, 
                 saver=checkpoint_saver)) 
.... 

with tf.train.MonitoredTrainingSession(
     save_summaries_steps=flags.save_summaries_steps, 
     hooks=session_hooks, 
     config=tf.ConfigProto(
      log_device_placement=flags.log_device_placement)) as mon_sess: 

    checkpoint = tf.train.get_checkpoint_state(checkpoint_dir) 
    if checkpoint and checkpoint.model_checkpoint_path: 

     # restoring from the checkpoint file 
     checkpoint_saver.restore(mon_sess, checkpoint.model_checkpoint_path) 

     global_step_restore = checkpoint.model_checkpoint_path.split('/')[-1].split('-')[-1] 
     print("Model restored from checkpoint: global_step = %s" % global_step_restore) 

La ligne "checkpoint_saver.restore" renvoie une erreur:

retraçage (appel le plus récent en dernier): fichier « C: \ Program Files \ Anaconda3 \ envs \ tensorflow \ lib \ paquets-de-site \ tensorflow \ python \ client \ session.py ", ligne 1022, dans _do_call return fn (* args) Fichier" C: \ Program Files \ Anaconda3 \ envs \ tensorflow \ lib \ package de site \ tensorflow \ python \ client \ session.py ", ligne 1004, dans _run_fn status, run_metadata) Fichier" C: \ Fichiers programme \ Anaconda3 \ envs \ tensorflow \ lib \ contextlib.py ", ligne 6 6, dans exit suivant (self.gen) Fichier "C: \ Program Files \ Anaconda3 \ envs \ tensorflow \ bibliothèque \ packages \ tensorflow \ python \ framework \ errors_impl.py", ligne 469, dans raise_exception_on_not_ok_status pywrap_tensorflow.TF_GetCode (état)) tensorflow.python.framework.errors_impl.InvalidArgumentError: Vous devez nourrir une valeur pour tenseur d'espace réservé '' avec des input_images DTYPE flotteur [[Noeud: input_images = Placeholderdtype = DT_FLOAT, forme = [], _device = "/ job: localhost/réplique: 0/tâche: 0/cpu: 0"]]

Une solution pour résoudre ce problème? Pourquoi ai-je besoin d'un feed_dictionary rempli juste pour restaurer le graphique?

Merci d'avance!

Mise à jour:

Voici le code de la méthode de restauration de l'objet économiseur:

def restore(self, sess, save_path): 
    """Restores previously saved variables. 

    This method runs the ops added by the constructor for restoring variables. 
    It requires a session in which the graph was launched. The variables to 
    restore do not have to have been initialized, as restoring is itself a way 
    to initialize variables. 

    The `save_path` argument is typically a value previously returned from a 
    `save()` call, or a call to `latest_checkpoint()`. 

    Args: 
     sess: A `Session` to use to restore the parameters. 
     save_path: Path where parameters were previously saved. 
    """ 
    if self._is_empty: 
     return 
    sess.run(self.saver_def.restore_op_name, 
      {self.saver_def.filename_tensor_name: save_path}) 

Ce que je ne comprends pas: Pourquoi le graphique exécuté immédiatement? Est-ce que j'utilise la mauvaise méthode? Je veux juste restaurer toutes les vars entraînables.

Answer 1

Le problème est causé par un SessionRunHook pour l'enregistrement de processus:

crochet d'origine:

class _LoggerHook(tf.train.SessionRunHook): 
    """Logs loss and runtime.""" 

    def begin(self): 
    self._step = -1 

    def before_run(self, run_context): 
    self._step += 1 
    self._start_time = time.time() 
    return tf.train.SessionRunArgs(loss) # Asks for loss value. 

    def after_run(self, run_context, run_values): 
    duration = time.time() - self._start_time 
    loss_value = run_values.results 
    if self._step % 5 == 0: 
     num_examples_per_step = FLAGS.batch_size 
     examples_per_sec = num_examples_per_step/duration 
     sec_per_batch = float(duration) 

     format_str = ('%s: step %d, loss = %.2f (%.1f examples/sec; %.3f ' 
        'sec/batch)') 
     print (format_str % (datetime.now(), self._step, loss_value, 
          examples_per_sec, sec_per_batch)) 

crochet modifié:

class _LoggerHook(tf.train.SessionRunHook): 
    """Logs loss and runtime.""" 

    def __init__(self, flags, loss_op): 
     self._flags = flags 
     self._loss_op = loss_op 
     self._start_time = time.time() 

    def begin(self): 
     self._step = 0 

    def before_run(self, run_context): 
     if self._step == 0: 
      run_args = None 
     else: 
      run_args = tf.train.SessionRunArgs(self._loss_op) 

     return run_args 

    def after_run(self, run_context, run_values): 

     if self._step > 0: 
      duration_n_steps = time.time() - self._start_time 
      loss_value = run_values.results 
      if self._step % self._flags.log_every_n_steps == 0: 
       num_examples_per_step = self._flags.batch_size 

       duration = duration_n_steps/self._flags.log_every_n_steps 
       examples_per_sec = num_examples_per_step/duration 
       sec_per_batch = float(duration) 

       format_str = ('%s: step %d, loss = %.2f (%.1f examples/sec; %.3f ' 
           'sec/batch)') 
       print(format_str % (datetime.now(), self._step, loss_value, 
            examples_per_sec, sec_per_batch)) 

       self._start_time = time.time() 
     self._step += 1 

Explication:

L'enregistrement est maintenant skiped pour la première itération. Ainsi, le fichier session.run, qui est exécuté par Saver.restore (..), ne nécessite plus de dictionnaire de flux rempli.