Tengo algunos problemas para entender la nueva API tf.contrib.summary . En el anterior, parecía que todo lo que se suponía que debía hacer era ejecutartf.summary.merge_all() y ejecutarlo como una operación.

Pero ahora tenemos cosas como tf.contrib.summary.record_summaries_every_n_global_steps , que se pueden usar así:

 import tensorflow.contrib.summary as tfsum summary_writer = tfsum.create_file_writer(logdir, flush_millis=3000) summaries = [] # First we create one summary which runs every n global steps with summary_writer.as_default(), tfsum.record_summaries_every_n_global_steps(30): summaries.append(tfsum.scalar("train/loss", loss)) # And then one that runs every single time? with summary_writer.as_default(), tfsum.always_record_summaries(): summaries.append(tfsum.scalar("train/accuracy", accuracy)) # Then create an optimizer which uses a global step step = tf.create_global_step() train = tf.train.AdamOptimizer().minimize(loss, global_step=step)

Y ahora vienen algunas preguntas:

1. Si solo ejecutamos session.run(summaries) en un bucle, supongo que el resumen de precisión se escribiría cada vez, mientras que el de pérdida no, porque solo se escribe si el paso global es divisible por 30.
2. Asumiendo que los resúmenes evalúan automáticamente sus dependencias, nunca necesito ejecutar session.run([accuracy, summaries]) pero puedo ejecutar session.run(summaries) ya que tienen una dependencia en el gráfico, ¿verdad?
3. Si 2) es cierto, ¿no puedo simplemente agregar una dependencia de control al paso de entrenamiento para que los resúmenes se escriban en cada recorrido del tren? ¿O es una mala práctica?
4. ¿Hay alguna desventaja en el uso de dependencias de control en general para las cosas que se van a evaluar al mismo tiempo de todos modos?
5. ¿Por qué tf.contrib.summary.scalar (y otros) aceptan un parámetro de step ?

Al agregar una dependencia de control en 3) me refiero a hacer esto:

 tf.control_dependencies(summaries): train = tf.train.AdamOptimizer().minimize(loss, global_step=step)