Python 2.7 TensorFlow：如何确保张量在同一个图中

我试图开始使用python中的TensorFlow，构建一个简单的前馈NN。我有一个类保存网络权重（在训练期间更新的变量，在运行时应该保持不变），还有一个脚本用于训练网络，它获取训练数据，将它们分批分离，并分批训练网络。 当我尝试训练网络时，我得到一个错误，表明数据张量与NN张量不在同一个图形中：

ValueError:Tensor（“占位符：0”，形状=（10,5），dtype=float32）必须来自与Tensor（“windows/Embedded/Cast:0”，形状=（100232,50），dtype=float32）相同的图形

培训脚本中的相关部分包括：

def placeholder_inputs(batch_size, ner):
  windows_placeholder = tf.placeholder(tf.float32, shape=(batch_size, ner.windowsize))
  labels_placeholder = tf.placeholder(tf.int32, shape=(batch_size))
  return windows_placeholder, labels_placeholder

with tf.Session() as sess:
  windows_placeholder, labels_placeholder = placeholder_inputs(batch_size, ner)
  logits = ner.inference(windows_placeholder)

网络类中的相关信息包括：

class WindowNER(object):
def __init__(self, wv, windowsize=3, dims=[None, 100,5], reg=0.01):
    self.reg=reg
    self.windowsize=windowsize
    self.vocab_size = wv.shape[0]
    self.embedding_dim = wv.shape[1]
    with tf.name_scope("embedding"):
        self.L = tf.cast(tf.Variable(wv, trainable=True, name="L"), tf.float32)
    with tf.name_scope('hidden1'):
        self.W = tf.Variable(tf.truncated_normal([windowsize * self.embedding_dim, dims[1]],
            stddev=1.0 / math.sqrt(float(windowsize*self.embedding_dim))),
        name='weights')
        self.b1 = tf.Variable(tf.zeros([dims[1]]), name='biases')
    with tf.name_scope('output'):
        self.U = tf.Variable(tf.truncated_normal([dims[1], dims[2]], stddev = 1.0 / math.sqrt(float(dims[1]))), name='weights')
        self.b2 = tf.Variable(tf.zeros(dims[2], name='biases'))


def inference(self, windows):
    with tf.name_scope("embedding"):
        embedded_words = tf.reshape(tf.nn.embedding_lookup(self.L, windows), [windows.get_shape()[0], self.windowsize * self.embedding_dim])
    with tf.name_scope("hidden1"):
        h = tf.nn.tanh(tf.matmul(embedded_words, self.W) + self.b1)
    with tf.name_scope('output'):
        t = tf.matmul(h, self.U) + self.b2

为什么首先有两个图，如何确保数据占位符张量与NN位于同一个图中

---

谢谢

通过执行以下操作，您应该能够在同一个图形下创建所有张量：

g = tf.Graph()
with g.as_default():
  windows_placeholder, labels_placeholder = placeholder_inputs(batch_size, ner)
  logits = ner.inference(windows_placeholder)

with tf.Session(graph=g) as sess:
  # Run a session etc

您可以在这里阅读更多关于TF中图形的信息：

---

有时，当您遇到这样的错误时，错误（通常可能是使用了不同图形中的错误变量）可能发生得更早，并传播到最终抛出错误的操作。因此，您可能只调查这条线，并得出结论，张量应该来自同一个图形，而错误实际上位于其他地方

最简单的检查方法是打印出用于图中每个变量/op的图。您可以简单地通过以下方式实现：

print(variable_name.graph)

---

在定义所有变量之前，请确保您正在重置图形……在我的例子中，在定义一个变量之后，我使用了命令tf.compat.v1.reset_default_graph（）

感谢您的快速回答！然而，我做了这个更改（注释了会话，直到我正确构建了图形），我仍然得到了相同的错误——“张量（…）必须来自与张量（…）相同的图形”。如果看不到完整的代码，很难说。但很可能您的代码正在使用g.as_default（）范围之外构造运算符，或者您正在调用的某些代码正在构造自己的图形。你能给我看更多的代码吗？（老实说，我要尝试的下一件事是检测构建操作符的Tensorflow Python代码，并打印每个操作符要添加到的图形的标识。）