Python Tensorflow估计器：缓存瓶颈

在学习tensorflow图像分类教程时，首先会缓存每个图像的瓶颈：

我已经使用tensorflow的

估计器

重写了培训。这确实简化了所有代码。但是我想在这里缓存瓶颈特性

这是我的

型号fn

。我想缓存

密集

层的结果，这样我就可以对实际训练进行更改，而不必每次都计算瓶颈

我怎样才能做到这一点

def型号（功能、标签、模式、参数）：
is_training=mode==tf.estimator.ModeKeys.TRAIN
num\u classes=len（参数['label\u vocab']）
模块=集线器模块（参数['module_spec']，可培训=is_training，参数['train_module']））
瓶颈张量=模块（特征['image']）
使用tf.name\u范围（“最终再培训操作”）：
logits=tf.layers.dense（瓶颈张量，单位=num\u类，可训练=is\u训练）#保存这个？
def列操作fn（丢失）：
优化器=tf.train.AdamOptimizer（）
return optimizer.minimize（loss，global\u step=tf.train.get\u global\u step（））
head=tf.contrib.estimator.multi_class_head（n_class=num_class，label_词汇表=params['label_vocab']））
返回head.create\u估计器\u spec(
特征、模式、登录、标签，列车运行fn=列车运行fn
)

TF不能像您编写代码那样工作。你应该：

将瓶颈从原始网络导出到文件

使用瓶颈结果作为输入，使用另一个网络来训练数据

---

进一步阐述@Feng所说的：

看到和

类似的方法应该可以工作（未经测试）：

---

您也可以使用

Dataset.cache

，但我不能100%确定详细信息。

您能举个例子说明如何做到这一点吗？

# Serialize the data into two tfrecord files
tf.enable_eager_execution()
feature_extractor = ...
features_file = tf.python_io.TFRecordWriter('features.tfrec')
label_file = tf.python_io.TFRecordWriter('labels.tfrec')

for images, labels in dataset:
  features = feature_extractor(images)
  features_file.write(tf.serialize_tensor(features))
  label_file.write(tf.serialize_tensor(labels))

# Parse the files and zip them together
def parse(type, shape):
  _def parse(x):
    result = tf.parse_tensor(x, out_type=shape)
    result = tf.reshape(result, FEATURE_SHAPE)
    return result
  return parse

features_ds = tf.data.TFRecordDataset('features.tfrec')
features_ds = features_ds.map(parse(tf.float32, FEATURE_SHAPE), num_parallel_calls=AUTOTUNE)

labels_ds = tf.data.TFRecordDataset('labels.tfrec')
labels_ds = labels_ds.map(parse(tf.float32, FEATURE_SHAPE), num_parallel_calls=AUTOTUNE)

ds = tf.data.Dataset.zip(features_ds, labels_ds)
ds = ds.unbatch().shuffle().repeat().batch().prefetch()...