python – 使用微调的Inception-v3模型来预测单个图像

我没有使用Inception-v3模型,但我找到了类似情况的解决方案.
对于培训,我使用自定义多进程/多线程设置将我的样本加载到批处理中并将它们提供给FIFOQueue.冻结图上的运行推断始终无限期挂起.
这是我的方法：

创建冻结推理模型：

>构建一个完全独立的推理图.为输入创建占位符[in1,in2,…](形状对应于1个样本),并以与训练相同的方式创建模型.以下将模型的输出称为[out1,out2 …].
>使用tf.train.Saver()加载训练有素的模型参数(为此,新模型中的名称必须与训练模型中的名称相匹配).就像是：

loader = tf.train.Saver()
graph = tf.get_default_graph()
input_graph_def = graph.as_graph_def()
with tf.Session() as sess:
    loader.restore(sess,input_checkpoint)

>创建冻结图：

frozen_graph_def = graph_util.convert_variables_to_constants(
    sess,input_graph_def,output_node_names)

>优化模型：

optimized_graph_def = optimize_for_inference_lib.optimize_for_inference(
    frozen_graph_def,input_node_names,output_node_names,tf.float32.as_datatype_enum)

>保存型号：

with tf.gfile.GFile(filename,"wb") as f:
    f.write(optimized_graph_def.SerializeToString())

使用冻结模型进行推理：

>将模型加载到图表中

with tf.gfile.GFile(frozen_graph_filename,"rb") as f:
    graph_def = tf.GraphDef()
    graph_def.ParseFromString(f.read())
with tf.Graph().as_default() as graph:
    tf.import_graph_def(
        graph_def,input_map=None,return_elements=None,name='',op_dict=None,producer_op_list=None
    )

>访问您的输入/输出：

in1 = graph.get_tensor_by_name(input_tensor_names[0])
in2 = graph.get_tensor_by_name(input_tensor_names[1])
...
out1 = graph.get_tensor_by_name(output_tensor_names[0])
...

>运行推理：

with tf.Session(graph=graph) as sess:
    sess.run([out1],feed_dict={in1: {data},in2: {data})

提示：如何获取输入/输出节点/张量名称：

inputs = [in1,in2...]
outputs = [out1,out2...]

output_tensor_names = [n.name for n in outputs]
input_tensor_names = [n.name for n in inputs]

output_node_names = [n[:str(n).find(":")] for n in output_tensor_names]
input_node_names = [n[:str(n).find(":")] for n in input_tensor_names]

我希望这有帮助.