고밀도 레이어와 함께 TensorFlow Dataset API를 사용하는 방법

TensorFlow 문서에 표시된 입력 파이프 라인에 대해 Dataset API를 시도 하고 있으며 거의 ​​동일한 코드를 사용합니다.

tr_data = Dataset.from_tensor_slices((train_images, train_labels))
tr_data = tr_data.map(input_parser, NUM_CORES, output_buffer_size=2000)
tr_data = tr_data.batch(BATCH_SIZE)
tr_data = tr_data.repeat(EPOCHS)

iterator = dataset.make_one_shot_iterator()
next_example, next_label = iterator.get_next()

# Script throws error here
loss = model_function(next_example, next_label)

with tf.Session(...) as sess:
    sess.run(tf.global_variables_initializer())

     while True:
        try:
            train_loss = sess.run(loss)
        except tf.errors.OutOfRangeError:
            print("End of training dataset.")
            break

느린 feed_dicts를 사용하지 않기 때문에 더 빨라야합니다. 그러나 단순화 된 LeNet 아키텍처 인 내 모델에서는 작동하도록 만들 수 없습니다. 문제는 (가)입니다 tf.layers.dense내에서 model_function()어떤 알려진 입력 형태 (이 사전에 무게의 수를 알고 있기 때문에 내가 추측) 기대하고있다. 그러나 next_example및 next_label단지 세션을 실행하여 자신의 모양을 얻을. 평가하기 전에 모양이 정의되지 않았습니다.?

선언하면 model_function()다음 오류가 발생합니다.

ValueError : 입력의 마지막 차원을 Dense정의해야합니다. 을 찾았습니다 None.

지금은이 Dataset API를 의도 한 방식으로 사용하고 있는지 아니면 해결 방법이 있는지 모르겠습니다.

미리 감사드립니다!

편집 1 : 아래는 내 모델이며 첫 번째 고밀도 레이어에서 오류가 발생합니다.

def conv_relu(input, kernel_shape):
    # Create variable named "weights".
    weights = tf.get_variable("weights", kernel_shape,
        initializer=tf.random_normal_initializer())
    # Create variable named "biases".
    biases = tf.get_variable("biases", kernel_shape[3],
        initializer=tf.constant_initializer(0.0))
    conv = tf.nn.conv2d(input, weights,
        strides=[1, 1, 1, 1], padding='VALID')
    return tf.nn.relu(conv + biases)

def fully(input, output_dim):
    assert len(input.get_shape())==2, 'Wrong input shape, need flattened tensor as input'
    input_dim = input.get_shape()[1]

    weight = tf.get_variable("weight", [input_dim, output_dim],
        initializer=tf.random_normal_initializer())
    bias = tf.get_variable('bias', [output_dim],
        initializer=tf.random_normal_initializer())

    fully = tf.nn.bias_add(tf.matmul(input, weight), bias)
    return fully


def simple_model(x):

    with tf.variable_scope('conv1'):
        conv1 = conv_relu(x, [3,3,1,10])
        conv1 = tf.nn.max_pool(conv1,[1,2,2,1],[1,2,2,1],'SAME')

    with tf.variable_scope('conv2'):
        conv2 = conv_relu(conv1, [3,3,10,10])
        conv2 = tf.nn.max_pool(conv2,[1,2,2,1],[1,2,2,1],'SAME')

    with tf.variable_scope('conv3'):
        conv3 = conv_relu(conv2, [3,3,10,10])
        conv3 = tf.nn.max_pool(conv3,[1,2,2,1],[1,2,2,1],'SAME')

    flat = tf.contrib.layers.flatten(conv3)
    with tf.variable_scope('fully1'):
        fully1 = tf.layers.dense(flat, 1000)
        fully1 = tf.nn.relu(fully1)

    with tf.variable_scope('fully2'):
        fully2 = tf.layers.dense(fully1, 100)
        fully2 = tf.nn.relu(fully2)

    with tf.variable_scope('output'):
        output = tf.layers.dense(fully2, 4)
        fully1 = tf.nn.relu(output)


    return output

편집 2 :

여기에서 텐서의 인쇄물을 볼 수 있습니다. next_example에는 모양이 없습니다.

next_example : Tensor ( "IteratorGetNext : 0", dtype = float32)
next_label : Tensor ( "IteratorGetNext : 1", shape = (?, 4), dtype = float32)