Python 3.x 尝试使用tf.数据解析培训/测试摘要

我希望在我的NN培训期间总结，类似于，但我看到的所有示例都使用feed_dict，而不是tf.data。我的培训和测试有单独的初始值设定项：

self.train_init = iterator.make_initializer(train_data) # initializer for train_data
self.test_init = iterator.make_initializer(test_data)   # initializer for test_data

在训练期间，我使用sess.run（self.train_init）初始化训练初始值设定项，但为了测试准确性，我需要初始化sess.run（self.test_init），我相信。目前我的代码如下所示：

for i in range(100):
    sess.run(self.train_init)
    total_loss = 0
    n_batches = 0
    try:
        while True:
              _, l = sess.run([self.optimizer, self.loss])
              total_loss += l
              n_batches += 1
    except tf.errors.OutOfRangeError:
        pass

        if i % (10/1) == 0:
           print('Avg. loss epoch {0}: {1}'.format(i, total_loss/n_batches))
           acc, summ = sess.run(self.accuracy, self.summary_op)
           writer.add_summary(summ, i)

目前，精度每10次迭代测量一次，但它使用的是训练批，而不是测试批。我希望能够随着时间的推移看到训练和测试的准确性，以便清楚地看到是否出现过拟合（训练精度好，但测试精度差）

---

当我使用tf.Data时，我不知道如何做到这一点。在进行100次迭代时，如何在初始值设定项之间切换，同时创建所需内容的摘要？

通常在培训过程之外对测试集进行评估，以优化性能。但如果你真的想在现场进行，对我来说最合适的解决方案之一是：

创建两个tf.data和一个占位符以在它们之间切换

使用tf.cond（）控制流，如

代码可能类似于：

with tf.name_scope('train_pipeline'):
    train_ds = tf.data.Dataset.from_tensor_slices(...)
    ...
    train_ds = iterator.make_initializer(train_data)
    train_init = iterator.initialize
    X_iterator_train = iterator.get_next()
with tf.name_scope('test_pipeline'):
    test_ds = tf.data.Dataset.from_tensor_slices(...)
    ...
    test_ds = iterator.make_initializer(test_data)
    test_init = iterator.initialize
    X_iterator_test = iterator.get_next()

train_or_test = tf.placeholder(tf.string, name='switch_buton')
def f1(): X_iterator_train
def f2(): X_iterator_test
inputs = tf.cond(tf.equal(train_or_test, 'train'), lambda :f1(), lambda: f2(), name='input_cond')

# model
... # use your input(IteratorGetNext) at your first layer, something like tf.nn.conv2d(inputs, ...)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())

    # init summary writers for two different path
    train_writer = tf.summary.FileWriter(...)
    test_writer = tf.summary.FileWriter(...)

    for ep in range(nb_epoch):
        sess.run([train_init, test_init])
        # begin training
        for step in range(nb_batch):
            # 90% train, 10% test
            if step % 9 == 0:
                sess.run(train_op, feed_dict={train_or_test: 'test'})  # switch to test input pipeline
                train_writer.add_summary()
            else:
                sess.run(train_op, feed_dict={train_or_test: 'train'})  # switch to train input pipeline
                test_writer.add_summary()

---

谢谢你的回答。如果我可以要求跟进，我已经将其设置为在培训后测试测试准确性的批次（按照惯例）。但在每个时代，都无法同时看到训练和测试的准确性，也无法看到过度拟合。tensorflow网站使用类似的方法来使用feed_dict方法（），但是您和示例都没有使用tf.Data结构。那么，有没有办法做到这一点，或者说，按照惯例，这是因为对表现的惩罚而从未做到的呢？@JamieDimon在评论中指出。这个方法使用了

tf.data.Dataset

现在有更多的细节了，谢谢，这肯定回答了我的问题。