Tensorflow v1：如何保存数据集预测并在以后访问？

问题描述

我是硕士学位学生，而且是Tensorflow的新手。 对于我的论文项目，我需要在框架中更改并整合推荐系统算法。

原始代码的作用

原始代码是这样的：https://github.com/CRIPAC-DIG/A-PGNN与Tensorflow v1.15 代码以这种方式工作：

1. 运行record.py，给定一个csv文件，此代码将为火车和测试集创建一些tfrecord。
2. 运行train_last.py，此代码将加载数据，并对测试集进行训练和评估。

我要做的集成将这些代码封装到一个框架中。该框架需要两个方法：fit和predict_next。为了配合，我做了原始代码在record.py和火车中的工作。数据集由框架给出。我还创建了测试集的tfrecord。

我现在需要做的是方法predict_next。 我需要创建与原始代码相同的东西，但只需要少量的数据。

原始代码中的测试集流程是这样的：

• 给定csv文件，在record.py:184和record.py:97中，代码生成测试集的tfrecord。

writer = tf.python_io.TFRecordWriter(orgin_path + str(count)+'.tfrecord')

• 在train_last.py:94中加载此测试集，并使用具有DatasetV1Adapter的model_last.py:333中的函数解析此文件

test_dataset = tf.data.TFRecordDataset(test_filenames)
test_dataset = test_dataset.map(parse_function_(opt.max_session))

• 创建一个批处理和一个迭代器（train_last.py:105）

test_batch_padding_dataset = test_dataset.padded_batch(opt.batchSize,padded_shapes=padded_shape,drop_remainder=True)
test_iterator = test_batch_padding_dataset.make_initializable_iterator()
test_data = test_iterator.get_next()

• 创建（我认为）张量模型（train_last.py:127）

with tf.variable_scope('model',reuse=True):
    test_loss,test_index = model.forward(test_data['A_in'],test_data['A_out'],test_data['all_node'],test_data['seq_alias'],test_data['seq_mask'],test_data['session_alias'],test_data['session_len'],test_data['session_mask'],test_data['tar'],test_data['user'],train=False)

• 训练后，用
进行评估（train_last.py:163，model_last.py:415）

index,test_loss_,tar,seq_length,sess_length = session.run([test_index,test_loss,test_data['session_len']])

我做了什么和我需要什么：

• 综合培训 我需要：
• 进行预测，例如，如果我有10个用户，每个会话有5个项目，则我需要为每个用户预测所有下一个项目并存储在某个地方
• 创建一个方法predict_next，在这里我可以简单地返回上一点的预测。

问题：

• **如何在TensorFlow中修改原始测试代码以具有所有预测？
• 我在哪里可以定义session.run返回的内容？

非常感谢，如果有不清楚的地方，随时告诉我。

解决方法

暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！

如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。

小编邮箱:dio#foxmail.com (将#修改为@）