如何对保存的模型运行预测（使用图像作为输入）？

Question

问题：

我对Tensorflow很陌生。我的具体问题是，我应该在ses中放入哪些特定参数。运行（fetches，feed\u dict）函数。例如，如何找出参数的值？

步骤：

以下是我在阅读其他帖子后对这些步骤的理解。

1. 保存tranied tensorflow模型，它应该由4个文件组成，以下是我的输出：

• 检查点

将输入图像调整为神经网络所需的任何格式。

启动tensorflow会话。

检索图和相关参数、张量。。。

预测输入图像。

代码：

传输代码：

https://github.com/taki0112/SENet-Tensorflow/blob/master/SE_Inception_resnet_v2.py

【已解决】测试代码：

import tensorflow as tf
import numpy as np
import cv2

labels = ["airplane","automobile","bird","cat","deer","dog","frog","horse","ship","truck"]

# Load graph and parameters, etc.
sess=tf.Session()
saver = tf.train.import_meta_graph('./model/Inception_resnet_v2.ckpt.meta')
saver.restore(sess, tf.train.latest_checkpoint("./model/"))
graph = tf.get_default_graph()

# Get tensor names
x = graph.get_tensor_by_name("Placeholder:0")
training_flag = graph.get_tensor_by_name("Placeholder_2:0")
op_to_restore = graph.get_tensor_by_name("final_fully_connected/dense/BiasAdd:0")

# Preprocess imgae imput
src = cv2.imread("./input/car3.jpg")
dst = cv2.resize(src, (32, 32), interpolation=cv2.INTER_CUBIC)
b,g,r = cv2.split(dst)
b = (b - np.mean(b)) / np.std(b) * .1
g = (g - np.mean(g)) / np.std(g) * .1
r = (r - np.mean(r)) / np.std(r) * .1
src = cv2.merge((b,g,r))

picture = dst.reshape(1, 32, 32, 3)
feed_dict ={x: picture, training_flag:False}

result_index = sess.run(op_to_restore,feed_dict)
print(result_index)
print (labels[np.argmax(result_index)])

Answer 1

参数实际上取决于您正在做的事情，但主要是第一个参数是权重和占位符。每当您使用Tensorflow时，您都会html" target="_blank">定义一个图，该图提供示例（训练数据）和一些超参数，如学习率、全局步长等。使用占位符提供所有训练数据和超参数是标准做法。当您使用占位符构建网络并保存它时，网络会被保存，但是，占位符的值不会保存。

让我们来看一个玩具示例：

import tensorflow as tf

#Prepare to feed input, i.e. feed_dict and placeholders
w1 = tf.placeholder("float", name="w1")
w2 = tf.placeholder("float", name="w2")
b1= tf.Variable(2.0,name="bias")
feed_dict ={w1:4,w2:8}

#Define a test operation that we will restore
w3 = tf.add(w1,w2)
w4 = tf.multiply(w3,b1,name="op_to_restore")
sess = tf.Session()
sess.run(tf.global_variables_initializer())

#Create a saver object which will save all the variables
saver = tf.train.Saver()

#Run the operation by feeding input
print sess.run(w4,feed_dict)
#Prints 24 which is sum of (w1+w2)*b1 

#Now, save the graph
saver.save(sess, 'my_test_model',global_step=1000)

现在，当我们想要恢复它时，我们不仅要恢复图和权重，还要准备一个新的feed\u dict，将新的训练数据提供给网络。我们可以通过图形获得对这些保存的操作和占位符变量的引用。通过名称（）方法获取张量。因此，如果你想用更多的新数据训练同一个模型，那么你必须利用这些weigtages，然而，如果你只是想从你训练的模型中得到预测，你可以利用op\u to\u restore和feed\u dict作为新数据。如果你遵循上面的例子，你会发现：

import tensorflow as tf

sess=tf.Session()    
#First let's load meta graph and restore weights
saver = tf.train.import_meta_graph('my_test_model-1000.meta')
saver.restore(sess,tf.train.latest_checkpoint('./'))


# Now, let's access and create placeholders variables and
# create feed-dict to feed new data

graph = tf.get_default_graph()
w1 = graph.get_tensor_by_name("w1:0")
w2 = graph.get_tensor_by_name("w2:0")
feed_dict ={w1:13.0,w2:17.0}

#Now, access the op that you want to run. 
op_to_restore = graph.get_tensor_by_name("op_to_restore:0")

print sess.run(op_to_restore,feed_dict)
#This will print 60 which is calculated 
#using new values of w1 and w2 and saved value of b1. 

这就是它的工作原理，在你的例子中，因为你试图加载盗梦空间模型，你的op_to_restore应该取决于你试图恢复的内容，如果你能告诉我们你想做什么，那么只有建议一些东西是可能的。然而，在另一个参数feed_dict中，它只是图像像素的numpy数组，对于你来说，你试图分类/预测或者你正在做的任何事情。

我从下面的文章中获取了代码。这也将对您有所帮助。http://cv-tricks.com/tensorflow-tutorial/save-restore-tensorflow-models-quick-complete-tutorial/

更新：对于您的特定情况，您可能想尝试以下代码来预测新图像中的类。

import tensorflow as tf
slim = tf.contrib.slim
from inception_resnet_v2 import *

#Well, since you're using resnet_v2, this may be equivalent to you. 
checkpoint_file = 'inception_resnet_v2_2016_08_30.ckpt'
sample_images = ['dog.jpg', 'panda.jpg']
#Load the model
sess = tf.Session()
arg_scope = inception_resnet_v2_arg_scope()
with slim.arg_scope(arg_scope):
  logits, end_points = inception_resnet_v2(input_tensor, is_training=False)

#With this, you could consider the op_variable with the following
predict_values, logit_values = sess.run([end_points['Predictions'], logits], feed_dict={input_tensor: im})

#Here im is the normalized numpy array of the image pixels.

此外，以下资源可能会对您有更多帮助：将预训练inception_resnet_v2与Tensorflow一起使用

https://github.com/tensorflow/tensorflow/issues/7172