Question

为了尝试使用TF和PY3.5进行初始-v3转移学习，我测试了两种方法：

1-重新训练最后一层，如下所示：https://github.com/tensorflow/tensorflow/tree/master/tensorflow/examples/image_retraining

2-在初始-V3瓶颈之上应用线性SVM，如下所示：https://www.kernix.com/blog/image-classification-with-a-pre-trained-deep-neural-network_p11

预计，他们应该在分类阶段有类似的运行时间，因为关键部分 - 瓶颈提取 - 是相同的。但实际上，在运行分类时，再训练网络的速度要慢8倍。

我的问题是，是否有人对此有所了解。

一些代码段：

SVM在顶部（速度更快）：

def getTensors():
    graph_def = tf.GraphDef()
    f = open('classify_image_graph_def.pb', 'rb')
    graph_def.ParseFromString(f.read())
    tensorBottleneck, tensorsResizedImage = tf.import_graph_def(graph_def, name='', return_elements=['pool_3/_reshape:0', 'Mul:0'])
    return tensorBottleneck, tensorsResizedImage 

def calc_bottlenecks(imgFile, tensorBottleneck, tensorsResizedImage):
    """ - read, decode and resize to get <resizedImage> - """
    bottleneckValues = sess.run(tensorBottleneck, {tensorsResizedImage : resizedImage})
    return np.squeeze(bottleneckValues)

我的（Windows）笔记本电脑大约需要0.5秒，而SVM部分则不需要时间。

重新训练最后一层 - （由于代码较长，因此难以总结）

def loadGraph(pbFile):
    with tf.gfile.FastGFile(pbFile, 'rb') as f:
        graph_def = tf.GraphDef()
        graph_def.ParseFromString(f.read())
    tf.import_graph_def(graph_def, name='')
    with tf.Session() as sess:
        softmaxTensor = sess.graph.get_tensor_by_name('final_result:0')

def labelImage(imageFile, softmaxTensor):
    with tf.Session() as sess:
        input_layer_name = 'DecodeJpeg/contents:0'
        predictions, = sess.run(softmax_tensor, {input_layer_name: image_data})

'pbFile'是保存的文件，它应该具有相同的拓扑和权重，不包括分类层，如'classify_image_graph_def.pb'。这需要大约4秒才能运行（在我的同一台笔记本电脑上，没有加载）。

对性能差距有何想法？谢谢！

Answer 1

解决。问题在于为每个图像创建一个新的tf.Session（）。在阅读图表并使用它时存储会话使运行时恢复到预期状态。

def loadGraph(pbFile):
    ...
    with tf.Session() as sess:
        softmaxTensor = sess.graph.get_tensor_by_name('final_result:0')
        sessToStore = sess
    return softmaxTensor, sessToStore  

def labelImage(imageFile, softmaxTensor, sessToStore):
    input_layer_name = 'DecodeJpeg/contents:0'
    predictions, = sessToStore.run(softmax_tensor, {input_layer_name: image_data})

重新训练最后一层初始-v3显着降低了分类

1 个答案: