Comment former TensorFlow réseau à l'aide d'un générateur pour produire des intrants?

Supposons que vous avez une fonction qui génère des données:

 def generator(data): 
    ...
    yield (X, y)

Maintenant, vous avez besoin d'une autre fonction qui décrit votre modèle d'architecture. Il pourrait être n'importe quelle fonction qui traite de X et de a à prédire y en sortie (par exemple, réseau de neurones).

Supposons que la fonction accepte X et y comme des entrées, calcule une prédiction de y à partir de X, d'une certaine façon et renvoie la perte de fonction (par exemple la croix-entropie ou MSE dans le cas de la régression) entre y et y prévues:

 def neural_network(X, y): 
    # computation of prediction for y using X
    ...
    return loss(y, y_pred)

Pour faire de votre modèle, vous avez besoin de définir des espaces réservés pour les X et y, puis exécutez une session:

 X = tf.placeholder(tf.float32, shape=(batch_size, x_dim))
 y = tf.placeholder(tf.float32, shape=(batch_size, y_dim))

Espaces réservés sont quelque chose comme "variables indépendantes" dont vous avez besoin pour spécifier lors de l'exécution de la session par feed_dict:

 with tf.Session() as sess:
     # variables need to be initialized before any sess.run() calls
     tf.global_variables_initializer().run()

     for X_batch, y_batch in generator(data):
         feed_dict = {X: X_batch, y: y_batch} 
         _, loss_value, ... = sess.run([train_op, loss, ...], feed_dict)
         # train_op here stands for optimization operation you have defined
         # and loss for loss function (return value of neural_network function)

Espère que vous le trouverez utile. Cependant, gardez à l'esprit que ce n'est pas totalement mise en œuvre, mais plutôt une pseudo-depuis que vous avez spécifié presque pas de détails.