死锁在tensorflow的MonitoredTrainingSession和切片投入生产

Question

下面死锁的代码：

import tensorflow as tf 

def train(): 
    """Stripped down and modified from cifar10.cifar10_train.train""" 
    global_step = tf.contrib.framework.get_or_create_global_step() # for StopAtStepHook 
    images = tf.constant([[1, 2, 3], [1, 2, 3]]) 
    labels = tf.constant([[1, 2, 3], [1, 2, 3]]) 
    images, labels = tf.train.slice_input_producer([images, labels], 
                shuffle=False) 
    # input_var = tf.Variable([0, 0, 0]) 
    # images = input_var.assign(images) # TODO placeholder would work ? 
    # input_batch = tf.scatter_nd_update(images, [[1, 2]], [77]) 
    input_batch = tf.scatter_nd_update(tf.Variable(images), [[1, 2]], [77]) 
    tf_print = tf.Print(input_batch, [input_batch]) 
    with tf.train.MonitoredTrainingSession(
      hooks=[tf.train.StopAtStepHook(last_step=3)]) as mon_sess: 
     while not mon_sess.should_stop(): 
      mon_sess.run(tf_print) 

if __name__ == '__main__': 
    train() 

然而，如果我注释掉input_batch = tf.scatter_nd_update(tf.Variable(images), [[1, 2]], [77])并取消注释行计划保持印刷：

I c:\tf_jenkins\home\workspace\release-win\device\cpu\os\windows\tensorflow\core\kernels\logging_ops.cc:79] [1 2 3]

• 为什么它僵局？是否正确地使用额外的变量来解决这个问题？或者我应该以某种方式使用占位符？
• 我错过了什么，它不会在3个步骤后终止？

Answer 1

1. 我不知道关于你的第一个问题，但我相信会发生什么情况是，当你创建MonitoredTrainingSession它试图初始化你图的变量。但在你的情况下，其中一个变量的初始值依赖于隐藏在tf.train.slice_input_producer之后的出列操作。由于队列尚未启动，因此代码会死锁，等待队列排入队列。 在您评论的实现中，init_op确实运行，因此队列可以启动并使您的代码正常工作。

2. 下面是对第二个问题的解释。 StopAtStepHook依赖于global_step张量正在更新，这是不是你的脚本的情况。这段代码 tf_print = tf.group(tf.Print(input_batch, [input_batch]), tf.assign_add(global_step,1))将工作：基本上它会将tf.Print操作和global_step增量分组在一起，所以每次运行tf_print时，global_step都会递增。

   import tensorflow as tf 
   
   def train(): 
       """Stripped down and modified from cifar10.cifar10_train.train""" 
       global_step = tf.contrib.framework.get_or_create_global_step() # for StopAtStepHook 
       images = tf.constant([[1, 2, 3], [1, 2, 3]]) 
       labels = tf.constant([[1, 2, 3], [1, 2, 3]]) 
       images, labels = tf.train.slice_input_producer([images, labels], shuffle=False) 
       input_var = tf.Variable([0, 0, 0]) 
       images = input_var.assign(images) # TODO placeholder would work ? 
       input_batch = tf.scatter_nd_update(images, [[1, 2]], [77]) 
       tf_print = tf.group(tf.Print(input_batch, [input_batch]), 
            tf.assign_add(global_step, 1)) 
       with tf.train.MonitoredTrainingSession(
         hooks=[tf.train.StopAtStepHook(last_step=3)]) as mon_sess: 
        while not mon_sess.should_stop(): 
         mon_sess.run(tf_print) 
   
   if __name__ == '__main__': 
       train()