Question

我已经训练了一个DCGAN模型，现在想把它加载到一个库中，通过图像空间优化可视化神经元激活的驱动因素。

以下代码有效，但在进行后续图像分析时迫使我使用（1，宽度，高度，通道）图像，这很痛苦（图书馆对网络输入形状的假设）。

# creating TensorFlow session and loading the model
graph = tf.Graph()
sess = tf.InteractiveSession(graph=graph)

new_saver = tf.train.import_meta_graph(model_fn)
new_saver.restore(sess, './')

我想更改input_map，在阅读完源代码后，我希望这段代码能够正常工作：

graph = tf.Graph()
sess = tf.InteractiveSession(graph=graph)

t_input = tf.placeholder(np.float32, name='images') # define the input tensor
t_preprocessed = tf.expand_dims(t_input, 0)

new_saver = tf.train.import_meta_graph(model_fn, input_map={'images': t_input})
new_saver.restore(sess, './')

但得到了一个错误：

ValueError：如果使用name，则tf.import_graph_def（）需要非空input_map。

当堆栈降至tf.import_graph_def()时，name字段设置为import_scope，因此我尝试了以下操作：

graph = tf.Graph()
sess = tf.InteractiveSession(graph=graph)

t_input = tf.placeholder(np.float32, name='images') # define the input tensor
t_preprocessed = tf.expand_dims(t_input, 0)

new_saver = tf.train.import_meta_graph(model_fn, input_map={'images': t_input}, import_scope='import')
new_saver.restore(sess, './')

让我获得了以下KeyError：

KeyError：“名称'gradients / discriminator / minibatch / map / while / TensorArrayWrite / TensorArrayWriteV3_grad / TensorArrayReadV3 / RefEnter：0'指的是一个不存在的Tensor。操作'，gradients / discriminator / minibatch / map /而/ TensorArrayWrite / TensorArrayWriteV3_grad / TensorArrayReadV3 / RefEnter'，在图表中不存在。“

如果我设置'import_scope'，无论是否设置'input_map'，我都会得到相同的错误。

我不确定从哪里开始。

Answer 1

在较新版本的tensorflow＆gt; = 1.2.0中，以下步骤正常。

t_input = tf.placeholder(np.float32, shape=[None, width, height, channels], name='new_input') # define the input tensor

# here you need to give the name of the original model input placeholder name
# For example if the model has input as; input_original=  tf.placeholder(tf.float32, shape=(1, width, height, channels, name='original_placeholder_name'))
new_saver = tf.train.import_meta_graph(/path/to/checkpoint_file.meta, input_map={'original_placeholder_name:0':  t_input})
new_saver.restore(sess, '/path/to/checkpointfile')

Answer 2

因此，主要问题是您没有正确使用语法。查看2的文档，了解tf.import_graph_def（link）的使用情况。

让我们分析这一行：

input_map

您没有概述new_saver = tf.train.import_meta_graph(model_fn, input_map={'images': t_input}, import_scope='import')是什么，但它需要是文件的路径。对于下一部分，在model_fn中，您说：替换 原始图（DCGAN）中input_map为{{{}的输入1}}我的变量（在当前图表中）称为name。有问题的是，images和t_input以不同的方式引用同一个对象：

t_input

换句话说，images中的t_input = tf.placeholder(np.float32, name='images')实际上应该是您尝试在DCGAN图中替换的变量名称。您必须以其基本形式导入图形（即，没有images行）并找出要链接到的变量的名称。导入图表后，它将出现在input_map返回的列表中。查找尺寸（1，宽度，高度，通道），但使用值代替变量名称。如果它是占位符，它看起来像input_map，其中tf.get_collection('variables')被替换为变量范围的任何内容。

提醒：

Tensorflow对于它所期望的图形看起来非常挑剔。因此，如果在原始图形规范中明确指定了宽度，高度和通道，那么当您尝试使用不同的维度集连接scope/Placeholder:0时，Tensorflow会抱怨（抛出错误）。而且，这是有道理的。如果系统是使用一组维度进行训练的，那么它只知道如何生成具有这些维度的图像。

理论上，你仍然可以在网络的前面贴上各种奇怪的东西。但是，您需要将其缩小以使其首先满足这些维度（并且Tensorflow文档表示最好使用图形外部的CPU执行此操作;即，在使用scope输入之前）。

希望有所帮助！

从元数据文件

2 个答案: