keras model.fit（）用tf.Dataset对象的初始化迭代器

Question

我正在使用tf.keras API来构建我的CNN模型，使用tf.Dataset API为我的模型创建输入管道。来自tf.keras.datasets的mnist数据集用于测试，并通过执行代码在内存中准备：

(train_images,train_labels),(test_images,test_labels) = tf.keras.datasets.mnist.load_data()

以及一些与我的keras模型兼容的预处理：

Train_images = np.expand_dims(train_images,3).astype('float')/255.0
Test_images = np.expand_dims(test_images,3).astype('float')/255.0

Train_labels = tf.keras.utils.to_categorical(train_labels)
Test_labels = tf.keras.utils.to_categorical(test_labels)

这些数据作为数组存储在内存中，有两个选项可用于创建数据集对象。第一个是简单地使用tf.data.Dataset.from_tensor_slices：

image = tf.data.Dataset.from_tensor_slices((Train_images,Train_labels))

并将此结果对象输入到model.fit（）：

model.fit(x=image,steps_per_epoch=1000)

或者通过以下方式输入此数据集的迭代器：

iterator = image.make_one_shot_iterator()

model.fit(x=iterator,steps_per_epoch=1000)

这两个选项都可以正常工作，因为这里名为image的数据集是使用内存中的数据创建的。但是，根据这里的Importing Data，我们可能希望避免这样做，因为它会多次复制数据并占用内存。所以另一种选择是基于tf.placeholder以及可初始化的迭代器创建这样的数据集对象：

X = tf.placeholder(tf.float32,shape = [60000,28,28,1])
Y = tf.placeholder(tf.float32,shape = [60000,10])
image2 = tf.data.Dataset.from_tensor_slices((X,Y))
iterator2 = image.make_initializable_iterator()

with tf.Session() as sess:
  sess.run(iterator2.initializer,feed_dict={X:Train_images,Y:Train_labels}
  sess.run(iterator2.get_next())

当使用tf.Session()时，这种迭代器在存储器中提供数据并避免数据的多个副本时工作正常。但我无法找到让它与keras.model.fit()一起使用的方法，因为你无法真正调用iterator.initializer或在那里提供任何数据。有没有办法使用这种迭代器？

Answer 1

我不认为keras正式支持传递可初始化迭代器的情况，正如您所指出的，没有地方可以提供占位符和值映射。

但是使用keras callbacks可以解决方法：

import tensorflow as tf
import numpy as np
import pandas as pd

# Make sure only tensorflow.keras is imported, don't mix with keras
from tensorflow.keras import layers
import tensorflow.keras.backend as K

# example data
x_values = np.random.randn(200, 100).astype(np.float32)
y_labels = np.random.randint(low=0, high=9, size=200)

graph = tf.Graph()
with graph.as_default():
    # make datasets from placeholders as in https://www.tensorflow.org/guide/datasets#reading_input_data
    # X:
    features_placeholder = tf.placeholder(tf.float32, x_values.shape, name='features')
    dataset_x = tf.data.Dataset.from_tensor_slices({'x': features_placeholder})
    # Y:
    labels_placeholder = tf.placeholder(tf.float32, [None], name='labels')
    dataset_y = tf.data.Dataset.from_tensor_slices({'y': labels_placeholder})

    # compose datasets to make X-Y pairs for training
    dataset0 = tf.data.Dataset.zip((dataset_x, dataset_y))
    dataset0 = dataset0.batch(16).repeat()

    # build model with keras
    inputs = tf.keras.Input(name='x', shape=(x_values.shape[1],))
    mlp1 = layers.Dense(16, name='mlp-1', activation='relu')
    mlp1_out = mlp1(inputs)
    output = layers.Dense(1, name='y', activation='linear')
    output_out = output(mlp1_out)
    model = tf.keras.Model(inputs=inputs, outputs=output_out)
    # The compile step specifies the training configuration.
    model.compile(optimizer=tf.train.RMSPropOptimizer(0.001), loss='mse', metrics=['mse'])

    iterator = dataset0.make_initializable_iterator()
    feed_dict = { labels_placeholder: y_labels, features_placeholder: x_values }

    class InitIteratorCallback(tf.keras.callbacks.Callback):
        """
        Ensures that placeholders in dataset are initialized before each epoch begins
        """

        def on_epoch_begin(self, epoch, logs=None):
            sess = K.get_session()
            sess.run(iterator.initializer, feed_dict=feed_dict)


    model.fit(iterator, callbacks=[InitIteratorCallback()],
              epochs=10, steps_per_epoch=300)