Python Tensorflow汇总指标未初始化（用于Tensorboard）

我正在尝试使用tensorflow记录精度和召回率的汇总统计数据，以便使用tensor board和以下代码

我已经添加了全局变量和局部变量的初始值设定项，但是这仍然会引发一个错误，告诉我“recall”有一个未初始化的值

有人知道为什么这仍然会抛出错误吗

错误消息位于代码块下方

def分类器图（x，y，学习率=0.1）：
使用tf.name_作用域（“分类器”）：
使用tf.name_范围（'model'）：
W=tf.Variable（tf.zeros（[xdim，ydim]），name='W'）
b=tf.Variable（tf.zeros（[ydim]），name='b'）
y＝tf.matmul（x，W）+b
使用tf.name_scope（'cross_entropy'）：
diff=tf.nn.softmax\u cross\u entropy\u与logits（labels=y，logits=y）
交叉熵=tf.减少平均值（差异）
summary=tf.summary.scalar（'cross\u entropy'，cross\u entropy）
使用tf.name_范围（“列车”）：
#交叉熵=tf.reduce\u均值（-tf.reduce\u和（y*tf.log（y\u），还原指数=[1]），name='cross\u熵'）
训练步长=tf.train.GradientDescentOptimizer（学习率）。最小化（交叉熵）
#通过GD最小化交叉熵
#使用tf.name_作用域（'init'）：
#init=tf.global_variables_initializer（）
#local\u init=tf.local\u variables\u initializer（）
#init=tf.group（tf.global\u variables\u initializer（），tf.local\u variables\u initializer（））
使用tf.name_作用域（'init'）：
init=tf.global_variables_initializer（）
init_l=tf.local_variables_initializer（）
使用tf.name_范围（“度量”）：
召回=tf.metrics.recall（y，y）
精度=tf.metrics.precision（y，y）
v_rec=tf.summary.scalar（'recall'，recall）
v_prec=tf.summary.scalar（'精度'，精度）
metrics=tf.summary.merge_all（）
返回[W，b，y，交叉熵，训练步长，初始，初始，度量]
def序列分类器（样本内、样本外、批次大小、迭代次数、特征集索引=1、模型=None、设备）：
x=tf.placeholder（tf.float32，[None，xdim]，name='x'）#None表示任意第一维度
y=tf.placeholder（tf.float32，[None，ydim]，name='y'）
W、 b，y，交叉熵，训练步长，初始，初始，度量=分类器图（x，y）
使用tf.Session（config=config）作为sess，tf.device（device）：
sess.run（初始化）
sess.run（初始化）
file\u writer=tf.summary.FileWriter（logdir，tf.get\u default\u graph（））
t=0
当t<迭代时：
t+=1
_，err，metrics_str=sess.run（[train_step，cross_entropy，metrics]，feed_dict={x:batch_x，y:batch_y}）
所有错误追加（错误）
文件\u编写器。添加\u摘要（度量\u str，t）
返回“完成”

确切的错误信息如下：

FailedPremissionError（回溯见上文）：尝试使用未初始化的值回调/true\u正数/计数
[[Node:recall/true\u positives/count/read=Identity[T=DT\u FLOAT，[u class=[“loc:@recall/true\u positives/count”]，[u device=“/job:localhost/replica:0/task:0/gpu:0”]（recall/true\u positives/count）]]

谢谢

编辑：

在进行下面@Ishant Mrinal建议的更改时，我遇到了一个我以前遇到的错误：

InvalidArgumentError (see above for traceback): tags and values not the same shape: [] != [2] (tag 'precision_1')

---

这表明精度张量与其他张量的形状不同，它不会为交叉熵或回忆抛出此错误。

由于两条初始化行的位置，将这两条行移动到

训练分类器

函数。该错误表明某些变量未初始化

def train_classifier(...):
    ...
    init = tf.global_variables_initializer()
    init_l = tf.local_variables_initializer()
    with tf.Session(config=config) as sess, tf.device(device):
        sess.run(init)
        sess.run(init_l)

---

由于放置了两条初始化行，请将这两条行移动到

train\u分类器

功能。该错误表明某些变量未初始化

def train_classifier(...):
    ...
    init = tf.global_variables_initializer()
    init_l = tf.local_variables_initializer()
    with tf.Session(config=config) as sess, tf.device(device):
        sess.run(init)
        sess.run(init_l)

---

第二个问题是因为

tf.metrics

返回两个张量。相反，你应该这样做

                    _, recall = tf.metrics.recall(y, y_ )
                    _, precision = tf.metrics.precision(y, y_)

                    v_rec = tf.summary.scalar('recall', recall)
                    v_prec = tf.summary.scalar('precision', precision)

---

第二个问题是因为

tf.metrics

返回两个张量。相反，你应该这样做

                    _, recall = tf.metrics.recall(y, y_ )
                    _, precision = tf.metrics.precision(y, y_)

                    v_rec = tf.summary.scalar('recall', recall)
                    v_prec = tf.summary.scalar('precision', precision)

---

谢谢，我曾经尝试过，这会引发一个奇怪的错误：

InvalidArgumentError（回溯请参见上文）：标记和值的形状不同：[]！=[2] （标记“precision_1”）

您知道为什么标记和值仅在precision标记上具有不同的维度吗？它没有抛出交叉熵或召回的错误。问题与

tf.summary.scalar

有关。谢谢，我曾经尝试过，这会引发一个奇怪的错误：

InvalidArgumentError（回溯请参见上文）：标记和值的形状不同：[]！=[2] （标记“precision_1”）

您知道为什么标记和值仅在precision标记上具有不同的维度吗？它没有抛出交叉熵或召回的错误。问题与

tf.summary.scalar

有关。