如何在Tensorflow中重命名操作的输入张量名称？

Question

删除dropout图层之前的图形定义如下所示：

fc6/BiasAdd : BiasAdd ( [u'fc6/Conv2D', u'fc6/biases/read'] )
fc6/Relu : Relu ( [u'fc6/BiasAdd'] )
dropout/keep_prob : Const ( [] )
dropout/Shape : Shape ( [u'fc6/Relu'] )
dropout/random_uniform/min : Const ( [] )
dropout/random_uniform/max : Const ( [] )
dropout/random_uniform/RandomUniform : RandomUniform ( [u'dropout/Shape'] )
dropout/random_uniform/sub : Sub ( [u'dropout/random_uniform/max', u'dropout/random_uniform/min'] )
dropout/random_uniform/mul : Mul ( [u'dropout/random_uniform/RandomUniform', u'dropout/random_uniform/sub'] )
dropout/random_uniform : Add ( [u'dropout/random_uniform/mul', u'dropout/random_uniform/min'] )
dropout/add : Add ( [u'dropout/keep_prob', u'dropout/random_uniform'] )
dropout/Floor : Floor ( [u'dropout/add'] )
dropout/Inv : Inv ( [u'dropout/keep_prob'] )
dropout/mul : Mul ( [u'fc6/Relu', u'dropout/Inv'] )
dropout/mul_1 : Mul ( [u'dropout/mul', u'dropout/Floor'] )
fc7/weights : Const ( [] )
fc7/weights/read : Identity ( [u'fc7/weights'] )
fc7/Conv2D : Conv2D ( [u'dropout/mul_1', u'fc7/weights/read'] )

格式为node.name : node.type node.input

删除丢失图层后，我必须找出如何更改特定图层的输入张量名称。删除丢失图层后，图形如下所示：

fc6/BiasAdd : BiasAdd ( [u'fc6/Conv2D', u'fc6/biases/read'] )
fc6/Relu : Relu ( [u'fc6/BiasAdd'] )
fc7/weights : Const ( [] )
fc7/weights/read : Identity ( [u'fc7/weights'] )
fc7/Conv2D : Conv2D ( [u'dropout/mul_1', u'fc7/weights/read'] )

但是，您可以看到fc7/Conv2D操作仍然期望dropout/mul_1作为输入。因此，我收到了这个错误：

ValueError：graph_def在节点u＆f; fc7 / Conv2D＆＃39;上无效：输入张量＆＃39; dropout / mul_1：0＆＃39;在graph_def中找不到..

我想将节点的预期输入张量名称 - 操作更改为fc6/BiasAdd，以使网络有效。有没有办法做到这一点？

Answer 1

没有直截了当的做法。通常，可以使用新操作来扩充计算图，但是不能修改现有节点。您可以遵循三种可能的路径：

• 最简单的方法是将Dropout图层保留原样，然后简单地传递常量keep_prob或1（例如使用tf.placeholder_with_default）。你仍然会有一些小的开销（我想，我不知道辍学的实现是否以1的概率绕过操作），但它可能是不明显的。
• 在没有dropout图层的情况下在另一个tf.Graph对象中制作图形的副本，然后将第一个会话中的变量值复制到新的会话中（例如使用load()）
• 实际编辑图表。虽然不是它的主要用途，但可以在某种程度上编辑图形。模型tf.contrib.graph_editor为此目的实现了许多操作。在您的情况下，您可能正在寻找类似tf.contrib.graph_editor.swap_inputs的内容。这里的缺点是必须完成这些操作＆＃34;离线＆＃34;，即没有使用图形的活动会话。这意味着原则上不会保存变量值。您可以checkpoint the model，手动将变量值保存到NumPy阵列，并在修改图形后恢复它们，或者，如果您已经完成培训并且只打算使用您的模型进行推理，您还可以freeze the graph 。无论如何，你必须要照顾它。