Tensorflow：图形无法'；只有在终端运行时，才能按拓扑顺序排序

我在Google云计算实例上运行python脚本时遇到了一些问题，使用的是python 3.6、tensorflow 1.13.1。我看到一些人在stackoverflow的计算图中遇到类似的循环问题。但没有一个真正找到罪魁祸首。我观察到了一些有趣的事情，也许有经验的人能理解

错误消息如下所示：

2019-05-28 22:28:57.747339: E tensorflow/core/grappler/optimizers/dependency_optimizer.cc:704] Iteration = 0, topological sort failed with message: The graph couldn't be sorted in topological order.
2019-05-28 22:28:57.754195: E tensorflow/core/grappler/optimizers/dependency_optimizer.cc:704] Iteration = 1, topological sort failed with message: The graph couldn't be sorted in topological order.

import A,B,C

...


def main():
    ....


if __name__ == '__main__':
    main()

我的train.py脚本如下所示：

2019-05-28 22:28:57.747339: E tensorflow/core/grappler/optimizers/dependency_optimizer.cc:704] Iteration = 0, topological sort failed with message: The graph couldn't be sorted in topological order.
2019-05-28 22:28:57.754195: E tensorflow/core/grappler/optimizers/dependency_optimizer.cc:704] Iteration = 1, topological sort failed with message: The graph couldn't be sorted in topological order.

import A,B,C

...


def main():
    ....


if __name__ == '__main__':
    main()

因此，我将展示运行此脚本的两种方法：

版本1：

在候机楼

python3 train.py

这给了我上面所说的错误。当我只使用CPU时，我注意到它会抛出类似于

调用cuInit失败：CUDA\u错误\u无设备：未检测到支持CUDA的设备

。所以我将GPU添加到我的实例中，但计算图中的循环仍然存在

版本2（这就是奇怪的事情发生的地方）：

我只是简单地将

main

中的代码复制到jupyter笔记本上，然后在那里运行。然后突然，不再发生错误

我真的不知道引擎盖下面发生了什么。我只是注意到，在运行代码的两种不同方式之间，运行开始时的消息并不相同

---

如果您遇到同样的问题，复制到jupyter笔记本可能会直接有所帮助。我真的很想分享更多的信息，如果有人有任何想法可能导致这一点。谢谢大家!

事实证明，不管怎样，我在开始时选择了一种错误的方法来构建图形，这在我看来不会给出

循环。循环错误告诉我我做错了什么。但是我上面提到的有趣的问题仍然没有得到回答！但是，我想分享我的错误，这样任何看到
循环错误的人都应该考虑你是否在做与我相同的事情

在<代码>输入PFN < /代码>中，我使用<代码>张量.Author（<）>代码以获得相应的<代码> NoMPy。我选择不使用
tf.data.Dataset
，因为整个过程很复杂，我无法将整个过程直接压缩到
Dataset
中。但事实证明，这种方法破坏了Tensorflow的静态计算图设计。所以在训练过程中，它一次又一次地在同一批次上训练。所以我的建议是，如果你想在你的
输入中实现一些超级复杂的东西。通过使用老式的建模方式，你可能会更好，甚至只做正确的事情-
tf.placeholder
事实证明，不管怎样，我在开始时选择了一种错误的方法来构建图形，这在我的观点中不会给出
循环。循环错误告诉我我做错了什么。但是我上面提到的有趣的问题仍然没有得到回答！但是，我想分享我的错误，这样任何看到
循环错误的人都应该考虑你是否在做与我相同的事情

在<代码>输入PFN < /代码>中，我使用<代码>张量.Author（<）>代码以获得相应的<代码> NoMPy。我选择不使用
tf.data.Dataset
，因为整个过程很复杂，我无法将整个过程直接压缩到
Dataset
中。但事实证明，这种方法破坏了Tensorflow的静态计算图设计。所以在训练过程中，它一次又一次地在同一批次上训练。所以我的建议是，如果你想在你的
输入中实现一些超级复杂的东西。通过使用老式的建模方式-
tf.placeholder
，您可能会感觉更好，甚至只做正确的事情