Python 构造tensorflow模型类时遇到问题

我在弄清楚如何构造Tensorflow模型代码时遇到了一些困难。我一直遵循此网站上的指导原则：

然而，使用这种结构，我意识到我无法以这样的方式声明我的模型，即我可以在模型类的

train（）

方法中传递训练数据

训练（）方法：

def train(self, data_x, data_y):
    seq_length, longest_seq, data_x = Utils.padding(data_x)
    n_inputs = np.array(data_x).shape[0]

    self.x_placeholder_input = tf.placeholder(tf.float32, shape=[None, longest_seq, n_inputs])
    self.y_placeholder_label = tf.placeholder(tf.int32, shape=[None, self.num_of_classes])
    self.sq_placeholder_seq_length = tf.placeholder(tf.int32, shape=[None])

    num_of_epoch = 100
    with tf.Session() as sess:
        for epoch in range(num_of_epoch):
            # initialise all variables
            sess.run(tf.global_variables_initializer())
            sess.run(self.optimize(),
                     feed_dict={self.x_placeholder_input: data_x,
                                self.y_placeholder_label: data_y,
                                self.sq_placeholder_seq_length: seq_length})

            if num_of_epoch % 10 == 0:
                # Create Saver to save model
                print "Cycle " + str(epoch) + " out of " + str(num_of_epoch) + " done"
                saver = tf.train.Saver()
                location = saver.save(sess, "saved_models/model")
                print "Model saved to : " + str(location)

def __init__(self, num_of_classes):
    # placeholders
    self.x_placeholder_input
    self.y_placeholder_label
    self.sq_placeholder_seq_length

    self.num_of_classes = num_of_classes

模型类的uuu init_uuuu（）方法：

def train(self, data_x, data_y):
    seq_length, longest_seq, data_x = Utils.padding(data_x)
    n_inputs = np.array(data_x).shape[0]

    self.x_placeholder_input = tf.placeholder(tf.float32, shape=[None, longest_seq, n_inputs])
    self.y_placeholder_label = tf.placeholder(tf.int32, shape=[None, self.num_of_classes])
    self.sq_placeholder_seq_length = tf.placeholder(tf.int32, shape=[None])

    num_of_epoch = 100
    with tf.Session() as sess:
        for epoch in range(num_of_epoch):
            # initialise all variables
            sess.run(tf.global_variables_initializer())
            sess.run(self.optimize(),
                     feed_dict={self.x_placeholder_input: data_x,
                                self.y_placeholder_label: data_y,
                                self.sq_placeholder_seq_length: seq_length})

            if num_of_epoch % 10 == 0:
                # Create Saver to save model
                print "Cycle " + str(epoch) + " out of " + str(num_of_epoch) + " done"
                saver = tf.train.Saver()
                location = saver.save(sess, "saved_models/model")
                print "Model saved to : " + str(location)

def __init__(self, num_of_classes):
    # placeholders
    self.x_placeholder_input
    self.y_placeholder_label
    self.sq_placeholder_seq_length

    self.num_of_classes = num_of_classes

我最初的执行计划是在单独的main.py脚本中创建模型类的实例。之后，取决于模式（预测/训练）。只有这样，我才会通过

train（）

将训练数据传递给模型

由于training_数据包含不同步骤的数据（文本文件），因此我需要这些数据才能确定占位符的形状。（类似于本例的序列长度设置部分：）

因此，在我当前的实现中，我只能在选择模式（预测/训练）后创建模型实例，我发现从“训练-->预测”切换到“预测-->训练”将创建多个模型实例时效率低下

那么，我的代码结构是否错误，或者我的原始执行计划是否不正常/常规

---

当前模型类的完整代码（如果有帮助，如果需要更多，请告诉我）：

为什么不能将输入占位符从train移动到init，并让train和predict都使用它？@vijaym，因为由于输入的步骤不同，我无法确定输入占位符的大小。因此，我需要先等待数据，然后初始化占位符。您为什么无法确定输入占位符的大小？。在RNN中，即使序列可能有不同的长度，我们也需要将其填充到固定大小，然后使用它。@vijaym。你说得对。但是，根据我目前对RNN的了解，我需要将其填充到最长长度，因此，我需要获取整个数据集以获得最大长度。但是，您可以脱机处理数据集并计算最大长度。你在训练期间不这样做。为什么你不能将输入占位符从训练移动到初始化，让训练和预测都使用它？@vijaym因为输入的步骤不同，我无法确定输入占位符的大小。因此，我需要先等待数据，然后初始化占位符。您为什么无法确定输入占位符的大小？。在RNN中，即使序列可能有不同的长度，我们也需要将其填充到固定大小，然后使用它。@vijaym。你说得对。但是，根据我目前对RNN的了解，我需要将其填充到最长长度，因此，我需要获取整个数据集以获得最大长度。但是，您可以脱机处理数据集并计算最大长度。你在训练时不这样做。