tf.session.run()單函數運行和多函數運行區別

覺得有用的話,歡迎一起討論相互學習~

problem introduction

sess.run([a,b]) # (1)同時運行a,b兩個函數
sess.run(a)
sess.run(b) # (2)運行完a函數后再運行b函數

• 這兩個語句初看時沒有任何區別，但是如果a,b函數恰好是讀取example_batch和label_batch這種需要使用到 數據批次輸入輸出函數時 例如(tf.train.shuffle_batch.tf.reader.read).
• (1)式只會調用一次輸入數據函數，則得到的example_batch和label_batch來自同一批次。 (2)式會單獨調用兩次輸入數據函數，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，即將輸入數據的標簽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數據。

example code

這里我們分別使用兩種不同的代碼，讀取csv文件中的數據。我們觀察這兩種方式讀取的數據有什么不同。
源程序文件下載
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])  # 設置文件名隊列
    example, label, no = read_data(file_queue)  # 讀取數據和標簽

    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)
    # 同時運行的方式
    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)

    # 分別運行的方式
    # 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)

example	label	num
[ 0.294 ]	[ 0.59821427]	[1]
[ 0.31 ]	[ 0.51785713]	[2]
[ 0.2 ]	[ 0.79464287]	[3]
[ 0.30000001]	[ 0.4732143 ]	[4]
[ 0.36000001]	[ 0.6964286 ]	[5]

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)

經過對比原始數據,我們發現采用單獨運行的方式讀取的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文件輸入的程序。雖然是個小事，但是有些方面不注意，我們會釀成大錯

example	label	num
[ 0.294 ]	[ 0.5625 ]	[11]
[ 0.31 ]	[ 0.3482143 ]	[13]
[ 0.2 ]	[ 0.5535714 ]	[12]
[ 0.30000001]	[ 0.5714286 ]	[14]
[ 0.36000001]	[ 0.48214287]	[15]

• 原始數據

C	tensile	NUM
0.294	0.598214286	1
0.31	0.517857143	2
0.2	0.794642857	3
0.3	0.473214286	4
0.36	0.696428571	5
0.28	0.5625	6
0.2	0.348214286	7
0.284	0.553571429	8
0.38	0.482142857	9
0.44	0.571428571	10
0.214	0.660714286	11
0.72	0.589285714	12
0.38	0.616071429	13
0.266	0.5	14
0.46	0.642857143	15