使用线程进行数据加载训练时，在验证集中保存性能最好的张量流模型的最有效方法

Question

好的，在Torch ML；）中非常简单，我下面是线程化的indico示例来加载数据-https://indico.io/blog/tensorflow-data-input-part2-extensions/

所以，我找到了三种方法，我不喜欢，我相信还有更好的方法。在

1）在两个不同的应用程序上培训和评估/验证\app\run-tensorflow/models/image/cifar10/cifar10_火车.py和cifar10_评估值在

我不喜欢这个，因为我会浪费资源，例如在cifar10中的GPU_评估值会跑的。我可以从一个文件或应用程序都这样做，但不喜欢保存如果模型不是最好的执行模型！在

使用MN2/TENSIST模型/验证模型/卷积.py在

好得多，但我不喜欢这样的事实，我需要记住所有的模型参数，我确信有更好的方法来共享TensorFlow中的参数，也就是说，我可以复制模型，并说它是为了参数共享，但输入源是不同的？在

3）目前我正在使用tf.占位符在

但不能做穿线的事情，也就是说。随机化随机洗牌用这种方法。也许我不知道该怎么做。在

那么，我该怎么做呢，通过线程加载列车数据，进行一个时期的训练，然后使用这些权重，再次执行线程化来加载验证数据并获得模型性能呢？在

基本上是多线程和多线程训练的最佳方式。示例完全类似于torch-https://github.com/soumith/imagenet-multiGPU.torch中的imagenet多GPU训练

非常感谢你！在

Answer 1

变量共享方法可能是实现您想要的最简单的方法。在

使用tf.可变范围（）和tf.get_变量（）您可以重用变量，而不必显式地管理共享。您可以在函数中定义模型，用不同的参数调用它，但在两个调用之间共享模型变量。在

还有一些便利层包装了Tensorflow的变量管理。一种选择是Tensorflow Slim，这使得定义一些模型类（特别是卷积模型）更容易。在