Tensorflow : Impossible d'interpréter la clé feed_dict en tant que Tensor

Question

J'essaie de construire un modèle de réseau neuronal avec une couche cachée (1024 nœuds). La couche cachée n'est rien d'autre qu'une unité relu. Je traite également les données d'entrée par lots de 128.

Les entrées sont des images de taille 28 * 28. Dans le code suivant, j'obtiens l'erreur à la ligne

_, c = sess.run([optimizer, loss], feed_dict={x: batch_x, y: batch_y})
Error: TypeError: Cannot interpret feed_dict key as Tensor: Tensor Tensor("Placeholder_64:0", shape=(128, 784), dtype=float32) is not an element of this graph.

Voici le code que j'ai écrit

#Initialize

batch_size = 128

layer1_input = 28 * 28
hidden_layer1 = 1024
num_labels = 10
num_steps = 3001

#Create neural network model
def create_model(inp, w, b):
    layer1 = tf.add(tf.matmul(inp, w['w1']), b['b1'])
    layer1 = tf.nn.relu(layer1)
    layer2 = tf.matmul(layer1, w['w2']) + b['b2']
    return layer2

#Initialize variables
x = tf.placeholder(tf.float32, shape=(batch_size, layer1_input))
y = tf.placeholder(tf.float32, shape=(batch_size, num_labels))

w = {
'w1': tf.Variable(tf.random_normal([layer1_input, hidden_layer1])),
'w2': tf.Variable(tf.random_normal([hidden_layer1, num_labels]))
}
b = {
'b1': tf.Variable(tf.zeros([hidden_layer1])),
'b2': tf.Variable(tf.zeros([num_labels]))
}

init = tf.initialize_all_variables()
train_prediction = tf.nn.softmax(model)

tf_valid_dataset = tf.constant(valid_dataset)
tf_test_dataset = tf.constant(test_dataset)

model = create_model(x, w, b)

loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(model, y))    
optimizer = tf.train.GradientDescentOptimizer(0.5).minimize(loss)

#Process
with tf.Session(graph=graph1) as sess:
    tf.initialize_all_variables().run()
    total_batch = int(train_dataset.shape[0] / batch_size)

    for epoch in range(num_steps):    
        loss = 0
        for i in range(total_batch):
            batch_x, batch_y = train_dataset[epoch * batch_size:(epoch+1) * batch_size, :], train_labels[epoch * batch_size:(epoch+1) * batch_size,:]

            _, c = sess.run([optimizer, loss], feed_dict={x: batch_x, y: batch_y})
            loss = loss + c
        loss = loss / total_batch
        if epoch % 500 == 0:
            print ("Epoch :", epoch, ". cost = {:.9f}".format(avg_cost))
            print("Minibatch accuracy: %.1f%%" % accuracy(predictions, batch_labels))
            valid_prediction = tf.run(tf_valid_dataset, {x: tf_valid_dataset})
            print("Validation accuracy: %.1f%%" % accuracy(valid_prediction.eval(), valid_labels))
    test_prediction = tf.run(tf_test_dataset,  {x: tf_test_dataset})
    print("TEST accuracy: %.1f%%" % accuracy(test_prediction.eval(), test_labels))

Answer 1

Ceci a fonctionné pour moi

from keras import backend as K

Après avoir prédit mes données, j'ai inséré cette partie de code puis j'ai de nouveau chargé le modèle.

K.clear_session()

J'ai rencontré ce problème sur un serveur de production, mais sur mon PC, il fonctionnait correctement

Answer 2

Variable x n'est pas dans le même graphe que modèle Pour ce faire, essayez de les définir tous dans la même portée graphique. Par exemple,

# define a graph
graph1 = tf.Graph()
with graph1.as_default():
    # placeholder
    x = tf.placeholder(...)
    y = tf.placeholder(...)
    # create model
    model = create(x, w, b)

with tf.Session(graph=graph1) as sess:
# initialize all the variables
sess.run(init)
# then feed_dict
# ......

Answer 3

Si vous utilisez le serveur django, exécutez simplement runserver avec --nothreading par exemple :

python manage.py runserver --nothreading

Answer 4

Dans mon cas, j'utilisais la boucle en appelant CNN plusieurs fois, j'ai résolu mon problème en faisant ce qui suit :

--Déclarer que c'est global :

graphique mondial

graph = tf.get_default_graph()

--Ensuite, juste avant d'appeler votre modèle, utilisez ceci

avec graph.as_d

-

N

H