我一直在关注wildml上的“ TensorFlow中的RNN，实用指南和未记录的功能”一文，但无法查看该tf.train.batch()函数的输出。用于存储，加载和处理输入的代码如下：
sequences = [[1, 2, 3], [4, 5, 1], [1, 2]]
label_sequences = [[0, 1, 0], [1, 0, 0], [1, 1]]
def make_example(sequence, labels):
# The object we return
ex = tf.train.SequenceExample()
# A non-sequential feature of our example
sequence_length = len(sequence)
ex.context.feature["length"].int64_list.value.append(sequence_length)
# Feature lists for the two sequential features of our example
fl_tokens = ex.feature_lists.feature_list["tokens"]
fl_labels = ex.feature_lists.feature_list["labels"]
for token, label in zip(sequence, labels):
fl_tokens.feature.add().int64_list.value.append(token)
fl_labels.feature.add().int64_list.value.append(label)
return ex
fname = "/home/someUser/PycharmProjects/someTensors"
writer = tf.python_io.TFRecordWriter(fname)
for sequence, label_sequence in zip(sequences, label_sequences):
ex = make_example(sequence, label_sequence)
print ex
writer.write(ex.SerializeToString())
writer.close()
print("Wrote to {}".format(fname))
reader = tf.TFRecordReader()
filename_queue = tf.train.string_input_producer([fname])
_, serialized_example = reader.read(filename_queue)
context_parsed, sequence_parsed = tf.parse_single_sequence_example(
serialized=serialized_example, context_features=context_features,
sequence_features=sequence_features)
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
tf.train.start_queue_runners(sess=sess)
batched_data = tf.train.batch(tensors=
[context_parsed['length'], sequence_parsed['tokens'],
sequence_parsed['labels']], batch_size=5, dynamic_pad= True)
batched_context_data = tf.train.batch(tensors= [context_parsed['length']],
batch_size=5, dynamic_pad= True)
batched_tokens_data = tf.train.batch(tensors=
[sequence_parsed['tokens']], batch_size=5, dynamic_pad= True)
batched_labels_data = tf.train.batch(tensors=
[sequence_parsed['labels']], batch_size=5, dynamic_pad= True)
根据帖子，应该可以如下查看批次的输出：
res = tf.contrib.learn.run_n({"y": batched_data}, n=1, feed_dict=None)
print("Batch shape: {}".format(res[0]["y"].shape))
print(res[0]["y"])
或更具体的情况如下：
res = tf.contrib.learn.run_n({"y": batched_context_data}, n=1, feed_dict=None)
print("Batch shape: {}".format(res[0]["y"].shape))
print(res[0]["y"])
不幸的是，TensorFlow花费了很多时间来计算这两种情况，因此我最终取消了该过程。有人可以告诉我我在做什么错吗？
非常感谢你！
我怀疑问题在于此行，其调用为tf.train.start_queue_runners()：
tf.train.start_queue_runners(sess=sess)
...出现在这些行之前，其中包含对的调用tf.train.batch()：
batched_data = tf.train.batch(...)
batched_context_data = tf.train.batch(...)
batched_tokens_data = tf.train.batch(...)
batched_labels_data = tf.train.batch(...)
如果在调用tf.train.start_queue_runners() 之后将调用移至tf.train.batch()，则您的程序应该不再死锁。
为什么会这样？该tf.train.batch()函数在内部创建队列以在批处理数据时缓冲数据，在TensorFlow中，填充这些队列的常用方法是创建“队列运行器”，该队列运行器通常是将元素移入队列的后台线程。该tf.train.start_queue_runners()函数在调用时为所有注册的队列运行器启动后台线程，但是如果在创建队列运行器之前调用了该线程，则不会启动这些线程。
本文收集自互联网，转载请注明来源。
如有侵权，请联系 [email protected] 删除。
我来说两句