Question

构建用于图像分类的卷积神经网络是我第一次涉足Python和Tensorflow。我有一个庞大的图像数据库需要训练，我的应用程序是单个图像的快速，实时分类。当前，为了执行单个图像的推断，我必须使训练批次大小等于1。如果我不这样做（训练批次大小为16），则会出现以下错误：

ValueError: Cannot feed value of shape (1, 132, 128, 1) for Tensor 
'tf_reshape1:0', which has shape '(16, 132, 128, 1)'

我真的很希望能够灵活地对更大批量进行训练，同时仍然能够对单个图像进行分类。

我的问题与此处的其他问题非常相似，例如Training in batches but testing individual data item in Tensorflow?和Tensorflow: Layer size dependent on batch size?，但由于我缺乏tf经验，因此我无法在代码中实现建议的解决方案。

我已经根据用于MNIST数据库https://www.tensorflow.org/tutorials/estimators/cnn#train_eval_mnist的tensorflow网站上给出的示例编写了用于图像分类的训练和推理代码。我的代码使用tf.estimators https://www.tensorflow.org/guide/estimators高级tensorflow API。上面询问和回答的类似问题的解决方案建议修改tf.placeholders，我不（知道）在使用它。我已经在下面复制了用于输入函数和模型函数的代码。我确定我需要发布更多信息，但这也是我问过的第一个SO问题，如果我忘记了很多事情，我深表歉意。

培训：

bead_classifier = tf.estimator.Estimator(
                 model_fn=bead_model_fn, 

model_dir=r'/tmp/trained_model')

# Train the model
train_input_fn = tf.estimator.inputs.numpy_input_fn(
  x={"x": training_imgs},
  y=training_labels,
  batch_size=16,
  num_epochs=None,
  shuffle=True)
bead_classifier.train(
  input_fn=train_input_fn,
  steps = 13000)
  hooks=[logging_hook])

模型功能（仅前几层）：

 def bead_model_fn(features, labels, mode):
  """Model function for CNN."""
  # Input Layer
  # Reshape X to 4-D tensor: [batch_size, width, height, channels]

input_layer = tf.reshape(features["x"], [-1, 132, 128, 1], name = 
'tf_reshape1')

  # Convolutional Layer #1

  conv1 = tf.layers.conv2d(
      inputs=input_layer,
      filters=4,
      kernel_size=[2, 2],
      padding="same",
      activation=tf.nn.relu)

  # Pooling Layer #1
  pool1 = tf.layers.max_pooling2d(inputs=conv1, pool_size=[2, 2], strides=2)

  # Convolutional Layer #2
  conv2 = tf.layers.conv2d(
      inputs=pool1,
      filters=8,
      kernel_size=[2, 2],
      padding="same",
      activation=tf.nn.relu)

分批训练，但使用Tensorflow中的tf.estimators进行单个图像分类

0 个答案: