我是否可以使用不同的输入张量相同的模型？我应该避免运行session.run（）多次？

Question

我试图建立与trainining和相同的模型（完全连接的MLP），而无需重新运行会话的验证图，而无需使用feed_dict和使用tf.data。通常，使用feed_dict我会定义与输入张X的模式，我会评价张量损失或准确性。然后，图的执行期间，我会编写类似

...
#Training
session.run([train_op], feed_dict={X: XTrainingData, Y: YTrainingData})
#Validation
session.run([accuracy_validation], feed_dict={X: XValidationData, Y: YValidationData})

我知道如何使用的数据集进行训练，避免feed_dict。我的问题是：我如何才能避免feed_dict培训和验证？如果X来自一个迭代我会打电话给.get_next（）两次（一个用于培训X1，一个用于验证X2），如何建立使用X1和X2的图形？

更一般地，我应该避免调用session.run（）多次？

Answer 1

该session.run（）调用的验证将是简单的前馈网络，这将需要很短的时间，也记忆。因此，它应该不是什么大问题，如果你正在使用它多次。你可以尝试有与X1和Y1不同的输入占位符另一验证运算，并通过这些张量到您的模型和验证。

x1 = tf.placeholder(shape=[None,256,256,1],dtype='float32',name='input_img')
y1 = tf.placeholder(shape=[None,256,256,1],dtype='float32',name='output_img')
x2 = tf.placeholder(shape=[None,256,256,1],dtype='float32',name='val_input_img')
y2 = tf.placeholder(shape=[None,256,256,1],dtype='float32',name='val_output_img')

pred = mod(x1) #mod is the network
val = mod(x2)  #prediction for validation
los = tf.reduce_mean(tf.square(pred-y1))
val_los = tf.reduce_mean(tf.square(val-y2)) # validation loss
opt = tf.train.AdamOptimizer(learning_rate=0.001)
train = opt.minimize(los)
init = tf.global_variables_initializer()

然后做这样的事情

_,val_lo = session.run([train,val_los],feed_dict={x1:xtr,y1:ytr,x2:xval,ytr:yval})

Answer 2

有什么问题喂养验证设置成以相同的方式将数据管道？