tf.session.run()單函式執行和多函式執行區別

覺得有用的話,歡迎一起討論相互學習~Follow Me

problem instruction

sess.run([a,b]) # (1)同時執行a,b兩個函式
sess.run(a)
sess.run(b) # (2)執行完a函式後再執行b函式

• 這兩個語句初看時沒有任何區別，但是如果a,b函式恰好是讀取example_batch和label_batch這種需要使用到 資料批次輸入輸出函式時 例如(tf.train.shuffle_batch.tf.reader.read).
• (1)式只會呼叫一次輸入資料函式，則得到的example_batch和label_batch來自同一批次。 (2)式會單獨呼叫兩次輸入資料函式，則得到的example_batch來自上一批次而label_batch來自下一批次。
• 這個需要十分注意，因為如果我們想要實時打印出label_batch和inference(example_batch)時，即將輸入資料的標籤和經過模型預測推斷的結果進行比較時.如果我們使用(2)中的寫法，則label_batch和inference(example_batch)並不是來自與同一批次資料。

example code

這裡我們分別使用兩種不同的程式碼，讀取csv檔案中的資料。我們觀察這兩種方式讀取的資料有什麼不同。
源程式檔案下載
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])  # 設定檔名佇列
    example, label, no = read_data(file_queue)  # 讀取資料和標籤

    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)
    # 同時執行的方式
    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)

    # 分別執行的方式
    # 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)

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)

經過對比原始資料,我們發現採用單獨執行的方式讀取的example來自第一個batch,label來自下一個batch,而num來自第三個batch.也就是說其實我們單獨運行了三次檔案輸入的程式。雖然是個小事，但是有些方面不注意，我們會釀成大錯

* 原始資料