使用TensorFlow Dataset API的Epoch计数器

Question

我正在将TensorFlow代码从旧队列接口更改为新的Dataset API 。 在我的旧代码中，每次在队列中访问和处理新的输入张量时， tf.Variable都会通过递增tf.Variable跟踪纪元数。 我想用新的Dataset API来计算这个时代，但是我在使用它时遇到了一些麻烦。

由于我在预处理阶段生成了可变数量的数据项，因此在训练循环中递增（Python）计数器并不是一件简单的事情 - 我需要根据输入来计算epoch计数。队列或数据集。

我使用旧的队列系统模仿了之前的情况，这就是我最终得到的数据集API（简化示例）：

with tf.Graph().as_default():

    data = tf.ones(shape=(10, 512), dtype=tf.float32, name="data")
    input_tensors = (data,)

    epoch_counter = tf.Variable(initial_value=0.0, dtype=tf.float32,
                                trainable=False)

    def pre_processing_func(data_):
        data_size = tf.constant(0.1, dtype=tf.float32)
        epoch_counter_op = tf.assign_add(epoch_counter, data_size)
        with tf.control_dependencies([epoch_counter_op]):
            # normally I would do data-augmentation here
            results = (tf.expand_dims(data_, axis=0),)
            return tf.data.Dataset.from_tensor_slices(results)

    dataset_source = tf.data.Dataset.from_tensor_slices(input_tensors)
    dataset = dataset_source.flat_map(pre_processing_func)
    dataset = dataset.repeat()
    # ... do something with 'dataset' and print
    # the value of 'epoch_counter' every once a while

但是，这不起作用。 它崩溃了一个神秘的错误信息：

 TypeError: In op 'AssignAdd', input types ([tf.float32, tf.float32])
 are not compatible with expected types ([tf.float32_ref, tf.float32])

仔细检查表明epoch_counter变量可能根本无法在pre_processing_func中访问。 它可能生活在不同的图表中吗？

知道如何修复上面的例子吗？ 或者如何通过其他方式获得纪元计数器（带小数点，例如0.4或2.9）？

Answer 1

TL; DR ：用以下内容替换epoch_counter的定义：

epoch_counter = tf.get_variable("epoch_counter", initializer=0.0,
                                trainable=False, use_resource=True)

---

在tf.data.Dataset转换中使用TensorFlow变量有一些限制。 原则限制是所有变量必须是“资源变量”而不是旧的“参考变量”; 遗憾的是，由于向后兼容性原因， tf.Variable仍会创建“参考变量”。

一般来说，如果可以避免变量，我建议不要在tf.data管道中使用变量。 例如，您可以使用Dataset.range()来定义纪元计数器，然后执行以下操作：

epoch_counter = tf.data.Dataset.range(NUM_EPOCHS)
dataset = epoch_counter.flat_map(lambda i: tf.data.Dataset.zip(
    (pre_processing_func(data), tf.data.Dataset.from_tensors(i).repeat()))

上面的片段将每个值附加一个纪元计数器作为第二个组件。

Answer 2

要添加到@ mrry的最佳答案，如果您想要保留在tf.data管道中并且还希望跟踪每个时期内的迭代，您可以尝试下面的解决方案。 如果你有非单位批量大小，我想你必须添加行data = data.batch(bs) 。

import tensorflow as tf
import itertools

def step_counter(): 
    for i in itertools.count(): yield i

num_examples = 3
num_epochs = 2
num_iters = num_examples * num_epochs

features = tf.data.Dataset.range(num_examples)
labels = tf.data.Dataset.range(num_examples)
data = tf.data.Dataset.zip((features, labels))
data = data.shuffle(num_examples)

step = tf.data.Dataset.from_generator(step_counter, tf.int32)
data = tf.data.Dataset.zip((data, step))

epoch = tf.data.Dataset.range(num_epochs)
data = epoch.flat_map(
    lambda i: tf.data.Dataset.zip(
        (data, tf.data.Dataset.from_tensors(i).repeat())))

data = data.repeat(num_epochs)
it = data.make_one_shot_iterator()
example = it.get_next()

with tf.Session() as sess:
    for _ in range(num_iters):
        ((x, y), st), ep = sess.run(example)
        print(f'step {st} \t epoch {ep} \t x {x} \t y {y}')

打印：

step 0   epoch 0     x 2     y 2
step 1   epoch 0     x 0     y 0
step 2   epoch 0     x 1     y 1
step 0   epoch 1     x 2     y 2
step 1   epoch 1     x 0     y 0
step 2   epoch 1     x 1     y 1

Answer 3

行data = data.repeat(num_epochs)导致重复已经为num_epochs重复的数据集（也是epoch计数器）。 可以通过for _ in range(num_iters):替换for _ in range(num_iters):轻松获得for _ in range(num_iters): for _ in range(num_iters+1):

Answer 4

我将numerica的示例代码扩展到批处理并替换了itertool部分：

num_examples = 5
num_epochs = 4
batch_size = 2
num_iters = int(num_examples * num_epochs / batch_size)

features = tf.data.Dataset.range(num_examples)
labels = tf.data.Dataset.range(num_examples)

data = tf.data.Dataset.zip((features, labels))
data = data.shuffle(num_examples)

epoch = tf.data.Dataset.range(num_epochs)
data = epoch.flat_map(
    lambda i: tf.data.Dataset.zip((
        data,
        tf.data.Dataset.from_tensors(i).repeat(),
        tf.data.Dataset.range(num_examples)
    ))
)

# to flatten the nested datasets
data = data.map(lambda samples, *cnts: samples+cnts )
data = data.batch(batch_size=batch_size)

it = data.make_one_shot_iterator()
x, y, ep, st = it.get_next()

with tf.Session() as sess:
    for _ in range(num_iters):
        x_, y_, ep_, st_ = sess.run([x, y, ep, st])
        print(f'step {st_}\t epoch {ep_} \t x {x_} \t y {y_}')