使用Beholder插件和tf.estimator.Estimator

Question

这是Beholder Plugin，它允许所有可训练变量的可视化（对大规模深度网络有明显的限制）。

我的问题是我正在使用tf.estimator.Estimator类运行我的训练，看起来Beholder插件与Estimator API不能很好地协作。

我的代码看起来像这样：

# tf.data input pipeline setup
def dataset_input_fn(train=True):
  filenames = ... # training files
  if not train:
    filenames = ... # test files

  dataset = tf.data.TFRecordDataset(filenames), "GZIP")

  # ... and so on until ...
  iterator = batched_dataset.make_one_shot_iterator()
  return iterator.get_next()

def train_input_fn():
  return dataset_input_fn(train=True)

def test_input_fn():
  return dataset_input_fn(train=False)

# model function
def cnn(features, labels, mode, params):
  # build model

  # Provide an estimator spec for `ModeKeys.PREDICT`.
  if mode == tf.estimator.ModeKeys.PREDICT:
    return tf.estimator.EstimatorSpec(
      mode=mode,
      predictions={"sentiment": y_pred_cls})

  eval_metric_ops = {
    "accuracy": accuracy_op,
    "precision": precision_op,
    "recall": recall_op
  }

  normal_summary_hook = tf.train.SummarySaverHook(
    100,
    summary_op=summary_op)

  return tf.estimator.EstimatorSpec(
    mode=mode,
    loss=cost_op,
    train_op=train_op,
    eval_metric_ops=eval_metric_ops,
    training_hooks=[normal_summary_hook]
  )

classifier = tf.estimator.Estimator(model_fn=cnn,
                                    params=...,
                                    model_dir=...) 

classifier.train(input_fn=train_input_fn, steps=1000)
ev = classifier.evaluate(input_fn=test_input_fn, steps=1000)

tf.logging.info("Loss: {}".format(ev["loss"]))
tf.logging.info("Precision: {}".format(ev["precision"]))
tf.logging.info("Recall: {}".format(ev["recall"]))
tf.logging.info("Accuracy: {}".format(ev["accuracy"]))

我无法弄清楚在此设置中添加beholder挂钩的位置。如果我在cnn函数中添加它作为训练钩子：

return tf.estimator.EstimatorSpec(
  mode=mode,
  loss=dnn.cost,
  train_op=dnn.train_op,
  eval_metric_ops=eval_metric_ops,
  training_hooks=[normal_summary_hook, beholder_hook]
)

然后我得到一个InvalidArgumentError: You must feed a value for placeholder tensor 'Placeholder' with dtype uint8 and shape [?,?,?]。

如果我尝试使用tf.train.MonitoredTrainingSession设置classifier，那么训练正常进行，但没有记录到beholder插件。看看stdout我看到一个接一个地创建了两个会话，所以当你创建一个tf.estimator.Estimator分类器时，它会在终止任何现有会话后旋转它自己的会话。

有没有人有任何想法？

Answer 1

编辑后：

这是旧的tensorflow版本的问题。幸运的是，问题已在tensorflow版本1.9中修复！下面的代码使用Beholder和tf.estimator.Estimator。它产生了与旧版本相同的错误，但在版本1.9中一切都运行良好！

from capser_7_model_fn import *
from tensorflow.python import debug as tf_debug
from tensorflow.python.training import basic_session_run_hooks
from tensorboard.plugins.beholder import Beholder
from tensorboard.plugins.beholder import BeholderHook
import logging

# create estimator for model (the model is described in capser_7_model_fn)
capser = tf.estimator.Estimator(model_fn=model_fn, params={'model_batch_size': batch_size}, model_dir=LOGDIR)

# train model
logging.getLogger().setLevel(logging.INFO)  # to show info about training progress in the terminal
beholder = Beholder(LOGDIR)
beholder_hook = BeholderHook(LOGDIR)
capser.train(input_fn=train_input_fn, steps=n_steps, hooks=[beholder_hook])

另一个方面是我需要为摘要编写器，tensorboard命令行调用和BeholderHook指定完全相同的LOGDIR。之前，为了比较我的模型的不同运行，我在LOGDIR / run_1中编写了不同运行的摘要，然后是LOGDIR / run_2等，即：

capser = tf.estimator.Estimator(model_fn=model_fn, params={'model_batch_size': batch_size}, model_dir=LOGDIR/run_n)

我用过

tensorboard -logdir=LOGDIR

发动张量板，我用过

beholder_hook = BeholderHook(LOGDIR)

写旁观者数据。在这种情况下，旁观者没有找到所需的数据。我需要做的是为所有东西指定完全相同的LOGDIR。即，在代码中：

capser = tf.estimator.Estimator(model_fn=model_fn, params={'model_batch_size': batch_size}, model_dir=LOGDIR+'/run_n')
beholder_hook = BeholderHook(LOGDIR+'/run_n')

并在终端中启动张量板：

tensorboard -logdir=LOGDIR+'/run_n'

希望有所帮助。