小编Da *_*ong的帖子

我正在使用python 2.7.9在Mac OS X Yosemite上工作.

这是我尝试过的:

1. 定义一个类

   class A:
       def test(self):
           print "test"
   

   Run Code Online (Sandbox Code Playgroud)

   然后运行

   A.__mro__
   

   Run Code Online (Sandbox Code Playgroud)

   然后我得到了

   >>> A.__mro__
   Traceback (most recent call last):
     File "<stdin>", line 1, in <module>
   AttributeError: class A has no attribute '__mro__'
   

   Run Code Online (Sandbox Code Playgroud)

2. 然后我定义

   class B(object):
       def test(self):
           print "test"
   

   Run Code Online (Sandbox Code Playgroud)

   然后运行

   B.__mro__
   

   Run Code Online (Sandbox Code Playgroud)

   然后我得到了

   >>> B.__mro__
   (<class '__main__.B'>, <type 'object'>)
   

   Run Code Online (Sandbox Code Playgroud)

这两个定义有什么不同？我发现在python 3中,没有"对象"的版本仍然有__mro__方法.

我使用TensorFlow r1.0和GPU Nvidia Titan X训练一个类似Inception的模型.

我添加了一些摘要操作来可视化训练过程,使用如下代码:

def variable_summaries(var):
"""Attach a lot of summaries to a Tensor (for TensorBoard visualization)."""
    with tf.name_scope('summaries'):
        mean = tf.reduce_mean(var)
        tf.summary.scalar('mean', mean)
        with tf.name_scope('stddev'):
            stddev = tf.sqrt(tf.reduce_mean(tf.square(var - mean)))
        tf.summary.scalar('stddev', stddev)
        tf.summary.scalar('max', tf.reduce_max(var))
        tf.summary.scalar('min', tf.reduce_min(var))
        tf.summary.histogram('histogram', var)

当我运行这些操作时,训练一个纪元的时间成本约为400秒.但是当我关闭这些操作时,训练一个纪元的时间成本仅为90秒.

如何优化图表以最小化汇总操作时间成本？

我的训练集包含两种文件:训练图像,文件名如"1.png",标签文件,名称如"1.label.txt".

我在教程中发现了一些Queue和Reader的用法,如下所示:

filename_queue = tf.train.string_input_producer(filenames)
result.key, value = reader.read(filename_queue)

但是,因为我的训练集包含两种文件,一种对应一种.我怎样才能像上面的代码一样使用Queue和Reader？

编辑

我正在考虑使用一个包含基本名称的队列来提供给另外两个队列,分别是图像和标签.像这样的代码:

with tf.Session() as sess:
  base_name_queue = tf.train.string_input_producer(['image_names'], num_epochs=20)
  base_name = base_name_queue.dequeue()
  image_name = base_name + ".png"
  image_name_queue = data_flow_ops.FIFOQueue(32, image_name.dtype.base_dtype)
  image_name_queue.enqueue([image_name])
  x = image_name_queue.dequeue()
  print_op = tf.Print(image_name, [image_name])

  qr = tf.train.QueueRunner(base_name_queue, [base_name_queue] * 4)
  coord = tf.train.Coordinator()
  enqueue_threads = qr.create_threads(sess, coord=coord, start=True)

  for step in range(1000000):
    if coord.should_stop():
      break
    print(sess.run(print_op))

  coord.request_stop()
  coord.join(enqueue_threads)

但是运行此代码会导致错误:

TypeError:Fetch参数有无效类型,必须是字符串或Tensor.(无法将FIFOQueue转换为Tensor或Operation.)

并且错误指向此行:

coord.join(enqueue_threads)

我想我必须误解TensorFlow队列的工作原理.