tensorflow中等效的以下代码是什么？

Question

我有以下功能:

import random

lst = []
for i in range(100):
    lst.append(random.randint(1, 10))

print(lst)

buffer = []

# This is the peace of code which I am interested to convert into tensorflow.
for a in lst:
    buffer.append(a)

    if len(buffer) > 5:
        buffer.pop(0)

    if len(buffer) == 5:
        print(buffer)

所以,从代码中,我需要创建一个缓冲区(可能是张量流中的变量).此缓冲区应保留最后提取的要素conv layer.在我的案例中,这variable将是一个输入RNN.

这种方法的优点是,当我们有大图像时,以及当我们需要用一个RNN提供RNN时(batch of images) * (sequence length) * (size of 1 image),这将需要将大量图像加载到主存储器中.另一方面,根据上面的代码,我们将使用Datasetsfrom张量流或一个input queue或任何其他替代方案一次馈送1个图像.因此,我们将在内存中存储大小的特征:batch_size * sequence_length * feature space.此外,我们可以说:

if len(buffer) == n:
    # empty out the buffer after using its elements
    buffer = [] # Or any other alternative way

我知道我可以提供我batches的图像网络,但我需要根据一些文献完成上述代码.

任何帮助深表感谢!!

Answer 1

我尝试使用tf.FIFOQueue（https://www.tensorflow.org/api_docs/python/tf/FIFOQueue）重新生成您的输出。我在下面给出了我的代码，并在必要时添加了注释。

BATCH_SIZE = 20

lst = []
for i in range(BATCH_SIZE):
    lst.append(random.randint(1, 10))
print(lst)

curr_data = np.reshape(lst, (BATCH_SIZE, 1)) # reshape the tensor so that [BATCH_SIZE 1]

# queue starts here
queue_input_data = tf.placeholder(tf.int32, shape=[1]) # Placeholder for feed the data

queue = tf.FIFOQueue(capacity=50, dtypes=[tf.int32], shapes=[1]) # Queue define here

enqueue_op = queue.enqueue([queue_input_data])  # enqueue operation
len_op = queue.size()  # chek the queue size

#check the length of the queue and dequeue one if greater than 5
dequeue_one = tf.cond(tf.greater(len_op, 5), lambda: queue.dequeue(), lambda: 0)
#check the length of the queue and dequeue five elemts if equals to 5
dequeue_many = tf.cond(tf.equal(len_op, 5), lambda:queue.dequeue_many(5), lambda: 0)

with tf.Session() as session:
    for i in range(BATCH_SIZE):
        _ = session.run(enqueue_op, feed_dict={queue_input_data: curr_data[i]}) # enqueue one element each ietaration
        len = session.run(len_op)  # check the legth of the queue
        print(len)

        element = session.run(dequeue_one)  # dequeue the first element
        print(element)

但是，上述代码存在以下两个问题：

1. 只有出列一个和出列许多操作可用，并且您看不到队列内的元素（我认为您不需要这个，因为您看起来像管道）。

2. 我认为tf.cond是实现条件操作的唯一方法（我找不到任何其他类似的合适函数）。然而，由于它类似于if-then-else 语句，因此当语句为 false 时也必须定义一个操作（不仅仅是只有if 语句而没有else）。由于Tensorflow就是构建一个图，我认为有必要包含两个分支（当条件为 true 和 false 时）。

此外，可以在这里找到有关 Tensorflow输入管道的详细解释（ http://ischlag.github.io/2016/11/07/tensorflow-input-pipeline-for-large-datasets/）。

希望这可以帮助。