在评估tf.gradients的结果时，Tensorflow卡住了

Question

我正在尝试使用我的网络评估输出的渐变。 在前进道具期间，网络运行得非常好，所以没有问题。 渐变的代码如下所示：

images, labels = inputs(train_dir,
                        True,
                        batch_size,
                        num_batches,
                        one_hot_labels=True)
predictions = InterpolNet(images)
restorer = tf.train.Saver()
with tf.Session() as sess:
    restorer.restore(sess, checkpoint_dir)
    print 'Get grads'
    grad_output = np.zeros((1,h,w,3), dtype=np.float32)
    grad_output[0,0,0,0] = 1
    grad = tf.gradients(predictions, images, grad_output)
    print grad[0]
    res = grad[0].eval()

所以基本上我用inputs函数声明我的网络的inputs ，我通过调用InterpolNet获得我的模型，并使用最新的训练权重恢复检查点。 如果我现在做一个sess.run(predictions, feed_dict=feed_dict) ，在feed_dict中我放了一些输入，一切都很好，运行的输出是网络的预期输出。

当我尝试获取渐变时（使用上面的代码），程序显然卡在res = grad[0].eval()行（0％GPU使用率和没有明显的CPU使用率）上。 print grad[0]打印看起来像正确的张量：

Tensor("gradients/conv1/conv1_1/Conv2D_grad/Conv2DBackpropInput:0", shape=(1, 128, 384, 6), dtype=float32)

但代码没有到达下一行。 难道我做错了什么？ 使用grad_output似乎不会影响该问题。 作为参考，我试图从https://arxiv.org/pdf/1603.06041v2.pdf重新实现该论文。

谢谢！

Answer 1

从Yaroslav评论结果来看，我被困在inputs函数内的数据生成队列中。

我所做的是将变量images从队列的输出更改为占位符： images = tf.placeholder(tf.float32, shape=(1, h, w, 6)) 。

这让我计算符号梯度与tf.gradients ，然后使用feed_dict在grad[0].eval()与包含数据，而不是使用该队列（它是一个I一个numpy的阵列喂净用于训练）。

现在一切正常！