Question

我已经成功保存了一个简单的MNIST，成为下一个代码：

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
import tensorflow as tf

sess = tf.InteractiveSession()
tf_save_file = './mnist-to-save-saved'
x = tf.placeholder(tf.float32, shape=[None, 784])
y_ = tf.placeholder(tf.float32, shape=[None, 10])
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
saver = tf.train.Saver()

sess.run(tf.global_variables_initializer())

y = tf.matmul(x, W) + b
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels = y_, logits = y))

train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
saver.save(sess, tf_save_file)

for _ in range(1000):
    batch = mnist.train.next_batch(100)
    train_step.run(feed_dict={x: batch[0], y_: batch[1]})

correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
saver.save(sess, tf_save_file, global_step=1000)

print(accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels}))

然后，下一个文件生成：

checkpoint
mnist-to-save-saved-1000.data-00000-of-00001
mnist-to-save-saved-1000.index
mnist-to-save-saved-1000.meta
mnist-to-save-saved.data-00000-of-00001
mnist-to-save-saved.index
mnist-to-save-saved.meta

现在，为了在生产中使用它（例如，传递一个数字图像），我希望能够通过传递 执行训练模型 任何数字图像进行预测（我的意思是，不是部署服务器而是进行预测＆＃34; 本地＆＃34;，在同一目录＆＃34;修复＆＃34;编号图像，因此使用模型就像运行可执行文件一样。）

但是，考虑到我的代码的（中 - 低？）API级别，我对最简单正确的下一步（如果使用Estimator进行恢复等）感到困惑，以及如何这样做。

虽然我已经阅读了官方文档，但我坚持认为它们似乎有很多种方式，但有些方面有点复杂且“吵闹”＃34;对于像这样的简单模型。

修改

我编辑并重新运行mnist文件，其代码与上述相同，但这些行除外：

...

x = tf.placeholder(tf.float32, shape=[None, 784], name='input')

...

correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1), name='result')

...

然后，我尝试运行另一个.py代码（与上面代码在同一目录中），以便传递位于本地的手写数字图像（＆＃34; mnist-input-image.png＆＃34;）在同一目录中：

import tensorflow as tf
from PIL import Image
import numpy as np

image_test = Image.open("mnist-input-image.png")
image = np.array(image_test)

with tf.Session() as sess:
    saver = tf.train.import_meta_graph('/Users/username/.meta')
    new = saver.restore(sess, tf.train.latest_checkpoint('/Users/username/'))

    graph = tf.get_default_graph()
    input_x = graph.get_tensor_by_name("input:0")
    result = graph.get_tensor_by_name("result:0")

    feed_dict = {input_x: image}

    predictions = result.eval(feed_dict=feed_dict)
    print(predictions)

现在，如果我正确理解，我将图像作为numpy数组传递。然后，我的问题是：

1）这些行的确切文件引用是什么（因为我的用户文件夹中没有.meta文件夹）？

saver = tf.train.import_meta_graph('/Users/username/.meta')
new = saver.restore(sess, tf.train.latest_checkpoint('/Users/username/'))

我的意思是，哪些确切的文件引用这些行（来自我上面生成的文件列表）？

2）转换到我的情况，这行是否正确将我的numpy数组传递给feed dict？

feed_dict = {input_x: image}

Answer 1

一个简单的解决方案是使用会话对象。生成checkpoint文件后，可以使用Saver对象恢复它。

顺便问一下，你知道为什么大多数教程都在函数内部创建了图形吗？一个很好的理由是因为您可以使用输入快速反序列化图形。

启动会话的正确方法如下：

# Use your placeholders, variables, etc to create the entire graph.
# Usually you return the input placeholder, 
# prediction and the loss/accuracy here.
# You don't need the accuracy.
x, y, _ = make_your_graph(test_X, test_y)

# This object is the interface for serialization in tf
saver = tf.train.Saver()

with tf.Session() as sess:
    # Takes your current model's checkpoint. "./checkpoint" is your checkpoint file.
    saver.restore(sess, tf.train.latest_checkpoint("./checkpoint"))
    prediction = sess.run(y)

想要为已经启动的会话运行多个数据点吗？

然后用feed dict替换最后一行：

while waiting_for_new_y():
    another_y = get_new_y()
    feed_dict = {x: [another_y]}
    another_prediction = sess.run(y, feed_dict)

Answer 2

首先，在稍后要使用的每个对象中为name参数赋值，以便稍后可以使用它的名称：

改变这个：

x = tf.placeholder(tf.float32, shape=[None, 784])

到

x = tf.placeholder(tf.float32, shape=[None, 784],name='input')

和

correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))

到

correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1),name='result')

现在运行这个小脚本来存储模型：

import tensorflow as tf
with tf.Session() as sess:
    saver = tf.train.import_meta_graph('/Users/dummy/.meta')
    new=saver.restore(sess, tf.train.latest_checkpoint('/Users/dummy/'))

    graph = tf.get_default_graph()
    input_x = graph.get_tensor_by_name("input:0")
    result = graph.get_tensor_by_name("result:0")

    feed_dict = {input_x: mnist.test.images,}  #here you feed your new data for example i am feeding mnist

    predictions = result.eval(feed_dict=feed_dict)
    print(predictions)

你会得到输出。

保存TensorFlow模型

2 个答案: