我使用shell命令训练模型：
python src/facenet_train.py \
--batch_size 15 \
--gpu_memory_fraction 0.25 \
--models_base_dir trained_model_2017_05_15_10_24 \
--pretrained_model trained_model_2017_05_15_10_24/20170515-121856/model-20170515-121856.ckpt-182784 \
--model_def models.nn2 \
--logs_base_dir logs \
--data_dir /data/user_set/training/2017_05_15_10_24 \
--lfw_pairs /data/user_set/lfw_pairs.txt \
--image_size 224 \
--lfw_dir /data/user_set/lfw \
--optimizer ADAM \
--max_nrof_epochs 1000 \
--learning_rate 0.00001
但是当我使用我自己训练的模型时，我得到这样的错误信息：
2017-05-17 14：23：05.448285：W tensorflow / core / platform / cpu_feature_guard.cc：45] TensorFlow 库未编译为使用SSE4.1指令，但这些是 在您的机器上可用，可以加快CPU计算。 2017-05-17 14：23：05.448318：W tensorflow / core / platform / cpu_feature_guard.cc：45] TensorFlow 库没有编译为使用SSE4.2指令，但这些是 在您的机器上可用，可以加快CPU计算。 2017-05-17 14：23：05.448324：W tensorflow / core / platform / cpu_feature_guard.cc：45] TensorFlow 库没有编译为使用AVX指令，但这些是 在您的机器上可用，可以加快CPU计算。 2017-05-17 14：23：05.448329：W tensorflow / core / platform / cpu_feature_guard.cc：45] TensorFlow 库没有编译为使用AVX2指令，但这些是 在您的机器上可用，可以加快CPU计算。 2017-05-17 14：23：05.448334：W tensorflow / core / platform / cpu_feature_guard.cc：45] TensorFlow 库未编译为使用FMA指令，但这些是 在您的机器上可用，可以加快CPU计算。 2017-05-17 14：23：05.674872：I tensorflow / core / common_runtime / gpu / gpu_device.cc：887]找到设备0 具有属性： 名称：Quadro M4000 major：5 minor：2 memoryClockRate（GHz）0.7725 pciBusID 0000：03：00.0 总内存：7.93GiB 可用内存：2.89GiB 2017-05-17 14：23：05.674917：I tensorflow / core / common_runtime / gpu / gpu_device.cc：908] DMA：0 2017-05-17 14：23：05.674935：I tensorflow / core / common_runtime / gpu / gpu_device.cc：918] 0：Y 2017-05-17 14：23：05.674957：I tensorflow / core / common_runtime / gpu / gpu_device.cc：977]创建 TensorFlow设备（/ gpu：0） - ＆gt; （设备：0，名称：Quadro M4000，pci总线 id：0000：03：00.0） Traceback（最近一次调用最后一次）： 文件“forward.py”，第21行，in images_placeholder = tf.get_default_graph（）。get_tensor_by_name（“input：0”） 在get_tensor_by_name中输入文件“/home/chen/.pyenv/versions/anaconda3-4.2.0/lib/python3.5/site-packages/tensorflow/python/framework/ops.py”，第2563行 return self.as_graph_element（name，allow_tensor = True，allow_operation = False） 在as_graph_element中输入文件“/home/chen/.pyenv/versions/anaconda3-4.2.0/lib/python3.5/site-packages/tensorflow/python/framework/ops.py”，第2414行 return self._as_graph_element_locked（obj，allow_tensor，allow_operation） 在_as_graph_element_locked中输入文件“/home/chen/.pyenv/versions/anaconda3-4.2.0/lib/python3.5/site-packages/tensorflow/python/framework/ops.py”，第2456行 “图形。” ％（repr（name），repr（op_name））） KeyError：“名称'输入：0'指的是一个不存在的Tensor。图中不存在'input'操作。”
获取功能代码：
import tensorflow as tf
import facenet
w_MODEL_PATH_='/home/chen/demo_dir/facenet_tensorflow_train/trained_model_2017_05_15_10_24/20170515-121856'
with tf.Graph().as_default():
with tf.Session() as sess:
# load the model
meta_file, ckpt_file = facenet.get_model_filenames(w_MODEL_PATH_)
facenet.load_model(w_MODEL_PATH_, meta_file, ckpt_file)
# print("model_path:", w_MODEL_PATH_,"meta_file:", meta_file,"ckpt_file:", ckpt_file)
# Get input and output tensors
# ops = tf.get_default_graph().get_operations()
#
# print(ops)
images_placeholder = tf.get_default_graph().get_tensor_by_name("input:0")
embeddings = tf.get_default_graph().get_tensor_by_name("embeddings:0")
phase_train_placeholder = tf.get_default_graph().get_tensor_by_name("phase_train:0")
image_size = images_placeholder.get_shape()[1]
embedding_size = embeddings.get_shape()[1]
# print(image_size)
paths = ['one.png', 'two.png']
# Run forward pass to calculate embeddings
images = facenet.load_data(paths, do_random_crop=False, do_random_flip=False, image_size=image_size,
do_prewhiten=True)
# print("images:", idx, images)
feed_dict = {images_placeholder: images, phase_train_placeholder: False}
# print(idx,"embeddings:", embeddings)
emb_array = sess.run(embeddings, feed_dict=feed_dict)
# print(idx, "emb_array:", emb_array)
print(emb_array)
我不知道如何使用我自己训练的模型，请帮忙。
答案 0 :(得分：0)
如果您正在讨论最后一部分，请使用此代码查看您的模型有哪些操作。
for i in tf.get_default_graph().get_operations():
print(i.name)
如果你在谈论优化。
您收到此错误是因为您需要在自己的计算机上编译tensorflow。这很容易做到。
您可以阅读文档以获取完整的选项列表，但基本上您需要执行几个步骤。
https://www.tensorflow.org/install/install_sources
就是这样，当然需要安装其他必需的库。在Ubuntu上很容易做到。
或者你可以尝试使用anaconda的conda forge版本的tensorflow-gpu，但我无法验证它是否也为你的cpu进行了优化编译。