OutOfRangeError：运行之间的Tensorflow迭代器未重新初始化

Question

我正在使用以下设置通过tensorflow对Inception模型进行微调，并正在批量添加tf.Dataset API。 但是，每次尝试训练该模型时（成功检索任何批次之前），我都会收到OutOfRangeError声明迭代器已用尽：

Caught OutOfRangeError. Stopping Training. End of sequence
     [[node IteratorGetNext (defined at <ipython-input-8-c768436e70d8>:13)  = IteratorGetNext[output_shapes=[[?,224,224,3], [?,1]], output_types=[DT_FLOAT, DT_FLOAT], _device="/job:localhost/replica:0/task:0/device:CPU:0"](OneShotIterator)]]
with tf.Graph().as_default():

我创建了一个函数，作为get_batch的结果来馈入硬编码的批处理，并且该函数可以运行并收敛而没有任何问题，使我相信图形和会话代码可以正常工作。 我还测试了get_batch函数以在会话中进行迭代，这不会导致任何错误。 我期望的行为是重新开始训练（尤其是重置笔记本电脑等）会在数据集上产生新的迭代器。

训练模型的代码：

with tf.Graph().as_default():

    tf.logging.set_verbosity(tf.logging.INFO)
    images, labels = get_batch(filenames=tf_train_record_path+train_file)
    # Create the model, use the default arg scope to configure the batch norm parameters.
    with slim.arg_scope(inception.inception_v1_arg_scope()):
        logits, ax = inception.inception_v1(images, num_classes=1, is_training=True)

    # Specify the loss function:
    tf.losses.mean_squared_error(labels,logits)
    total_loss = tf.losses.get_total_loss()
    tf.summary.scalar('losses/Total_Loss', total_loss)


     # Specify the optimizer and create the train op:
    optimizer = tf.train.AdamOptimizer(learning_rate=0.01)
    train_op = slim.learning.create_train_op(total_loss, optimizer)

    # Run the training:
    final_loss = slim.learning.train(
        train_op,
        logdir=train_dir,
        init_fn=get_init_fn(),
        number_of_steps=1)

使用数据集获取批处理的代码

def get_batch(filenames):
    dataset = tf.data.TFRecordDataset(filenames=filenames)

    dataset = dataset.map(parse)
    dataset = dataset.batch(2)

    iterator = dataset.make_one_shot_iterator()
    data_X, data_y = iterator.get_next()

    return data_X, data_y 

这个先前询问的问题类似于我遇到的问题，但是，我没有使用batch_join调用。 如果这不是slim.learning.train，从检查点还原或作用域的问题，我不是。 任何帮助，将不胜感激！

Answer 1

您的输入管道看起来还可以。 问题可能出在TFRecords文件损坏上。 您可以尝试使用随机数据编写代码，或者通过tf.data.Dataset.from_tensor_slices()将图像用作numpy数组。 另外，您的解析函数可能会导致问题。 尝试使用sess.run打印图像/标签。

我建议使用Estimator API作为train_op。 它更加方便，并且苗条的将很快被弃用。