如何使用tf.estimator返回预测和标签(使用预测或eval方法)？

我正在使用Tensorflow 1.4.

我创建了一个自定义的tf.estimator来进行分类,如下所示：

def model_fn():
    # Some operations here
    [...]

    return tf.estimator.EstimatorSpec(mode=mode,
                           predictions={"Preds": predictions},
                           loss=cost,
                           train_op=loss,
                           eval_metric_ops=eval_metric_ops,
                           training_hooks=[summary_hook])

my_estimator = tf.estimator.Estimator(model_fn=model_fn, 
                       params=model_params,
                       model_dir='/my/directory')

我可以轻松训练它：

input_fn = create_train_input_fn(path=train_files)
my_estimator.train(input_fn=input_fn)

其中input_fn是一个使用tf.data.Dataset API从tfrecords文件读取数据的函数.

当我从tfrecords文件中读取时,我在进行预测时没有内存中的标签.

我的问题是,如何通过predict()方法或evaluate()方法返回预测和标签？

似乎没有办法同时拥有这两者. predict()没有对标签的访问(？),并且不可能使用evaluate()方法访问预测字典.

解决方法:

完成培训后,在’/ my / directory’中有一堆检查点文件.

您需要再次设置输入管道,手动加载其中一个文件,然后开始循环存储预测和标签的批次：

# Rebuild the input pipeline
input_fn = create_eval_input_fn(path=eval_files)
features, labels = input_fn()

# Rebuild the model
predictions = model_fn(features, labels, tf.estimator.ModeKeys.EVAL).predictions

# Manually load the latest checkpoint
saver = tf.train.Saver()
with tf.Session() as sess:
    ckpt = tf.train.get_checkpoint_state('/my/directory')
    saver.restore(sess, ckpt.model_checkpoint_path)

    # Loop through the batches and store predictions and labels
    prediction_values = []
    label_values = []
    while True:
        try:
            preds, lbls = sess.run([predictions, labels])
            prediction_values += preds
            label_values += lbls
        except tf.errors.OutOfRangeError:
            break
    # store prediction_values and label_values somewhere

更新：更改为直接使用您已有的model_fn函数.