TensorFlow：tf.Session.run（）獲取和執行依賴

Question

我有典型/通用TF（r1.3）配置，其中讀取單個tf.record文件並解碼結果以查詢一些記錄值：

import os, tensorflow as tf

# path to TF record file containing single record
record_file_path = os.path.join(os.getcwd(),'tf.record')

# init a finite file queue with num_epochs=1
file_queue = tf.train.string_input_producer([record_file_path],name='file_queue',num_epochs=1)

# init record reader
reader = tf.TFRecordReader()

# read the record file
_, tfrecord_read_op = reader.read(file_queue)

tfrecord = tf.parse_single_example(
    tfrecord_read_op,
    features={
        'image/height' : tf.FixedLenFeature([], tf.int64 ),
        'image/width'  : tf.FixedLenFeature([], tf.int64 ),
        'image/label'  : tf.FixedLenFeature([], tf.int64 ),
        'image/encoded': tf.FixedLenFeature([], tf.string)
    },
    name='features'
)

# since exported as tf.int64 there is no need for tf.decode_raw
heightT = tfrecord['image/height']
widthT  = tfrecord['image/width' ]

with tf.Session() as sess:

    # init vars
    sess.run(tf.global_variables_initializer())
    sess.run(tf.local_variables_initializer ())

    # Start populating the filename queue
    queue_coordinator = tf.train.Coordinator()
    queue_worker_threads = tf.train.start_queue_runners(coord=queue_coordinator)

    # kaboom!
    height = sess.run(heightT)
    width  = sess.run(widthT )

    # why does this work ??
    #height, width = sess.run([heightT, widthT])

    # close down the queue
    queue_coordinator.request_stop()
    queue_coordinator.join(queue_worker_threads)

print('image height x width : {}x{}'.format(height,width))

請注意，文件隊列限制為num_epochs=1因此僅會為TFRecordReader生成單個文件一次。

在計算圖中， heightT和widthT張量heightT widthT取決於tfrecord ，后者取決於tfrecord_read_op

因此， tfrecord評估tfrecord ，計算圖依賴項都應從file_queue調用另一個出隊。 在單獨的 tf.Session run()調用中評估heightT和widthT時確實如此。

num_epoch=None ，如果num_epoch=None （即單個文件的無限出隊），則單獨的調用將成功（！？），並且num_epochs=None是默認值。

現在，終於有了一個問題： 為什么/為什么多次調用一次run()成功評估兩個張量運算？ 那就是為什么

height,width = sess.run([heightT,widthT])

成功但

height = sess.run(heightT)
width  = sess.run(widthT )

失敗了嗎？

確實，使用占位符（dtype = tf.string）來保存tfrecord_read_op的結果並在占位符上執行tf.parse_single_example減輕這種影響，但並不能真正說明案例圖評估中的情況。上面突出顯示。

Answer 1

當運行height,width = sess.run([heightT,widthT]) TensorFlow將計算heightT, widthT的依賴關系，得到一個可以一次計算出這兩個Tensor的運算heightT, widthT 。 然后， Session運行此操作並存儲計算的結果，然后將其提取。