在以张量流概率层结尾的网络上使用生成器答案

【问题标题】：Using generators on networks ending with tensorflow probability layer在以张量流概率层结尾的网络上使用生成器
【发布时间】：2020-02-21 15:28:16
【问题描述】：

我有一个以概率层结尾的网络，如下所示：

model = tfk.Sequential([
            tfkl.InputLayer(10),
            tfkl.Dense(tfpl.MultivariateNormalTriL.params_size(2)),
            tfpl.MultivariateNormalTriL(2)])

我正在从生成器创建我的数据集：

data_generator = tf.data.Dataset.from_generator(
            data_generator,
            output_types=(tf.float32, tf.float32)
).batch(batch_size)

我可以用fit_generator 拟合模型，但我怎样才能对预测做同样的事情呢？（我试过predict_generator，但没有成功）

此外，如果 X 是一个 numpy 数组，我可以只做 model(X).sample(100) 我想对我的生成器做同样的事情，比如 model(data_generator).sample(100)。任何想法？

【问题讨论】：

标签： python tensorflow tensorflow-datasets tf.keras tensorflow-probability

【解决方案1】：

也许您可以再添加一层：

model = tfk.Sequential([
    tfkl.InputLayer(10),
    tfkl.Dense(tfpl.MultivariateNormalTriL.params_size(2)),
    tfpl.MultivariateNormalTriL(2),
    tfkl.Lambda(lambda x: tf.transpose(x.sample(100), perm=[1,0,2]))])

然后使用

model.predict_generator(data_generator, steps=steps)

或者您需要对生成的分布做更多的事情而不仅仅是样本？

编辑：因为在这种情况下，也许您可以创建一个生成器，将批次作为 numpy 数组提供给模型并产生结果分布？

【讨论】：