Question

我有一个(1, 224, 224, 3)大小的content_image大小的numpy数组。这就是VGG网络输入的大小。

当我将content_image转移到VGG网络的输入时，如下所示：

model = vgg19.VGG19(input_tensor=K.variable(content_image), weights='imagenet', include_top=False)

for layer in model .layers:
    if layer.name == 'block5_conv2':
        model_output = layer.output

这似乎产生了[0, 1]规模的产出：

[0.06421799 0.07012904 0.         ... 0.         0.05865938
    0.        ]
   [0.21104832 0.27097407 0.         ... 0.         0.
    0.        ] ...

另一方面，当我基于keras documentation应用以下方法时（使用VGG19从任意中间层提取特征）：

from keras.models import Model
base_model = vgg19.VGG19(weights='imagenet'), include_top=False) 
model = Model(inputs=base_model.input, outputs=base_model.get_layer('block5_conv2').output)
model_output = model.predict(content_image)

这种方法似乎产生不同的输出。

[ 82.64436     40.37433    142.94958    ...   0.
     27.992153     0.        ]
   [105.935936    91.84446      0.         ...   0.
     86.96397      0.        ] ...

两种方法都使用具有相同权重的相同网络，并传输相同的numpy数组（content_image）作为输入，但是它们产生的输出却不同。我希望他们会产生相同的结果。

Answer 1

我认为，如果在第一种方法中使用Keras创建的会话（隐式），您将获得相同的结果：

Marker

我认为，通过创建一个新会话并使用this@save和sess = K.get_session() with sess.as_default(): output = model_output.eval() print(output)，您可以更改变量的值。通常，请勿创建新会话，而应使用Keras创建的会话（除非您有充分的理由这样做）。

预训练模型的图层输出会意外地产生不同的输出

1 个答案: