Question

我正在尝试使用训练有素的网络来预测新图像。网络使用tf.placeholder，我对argmax的输出层感兴趣。为了训练网络，我使用了32个大小的批次，但是对于新的推论，我感兴趣的是一张一张地评估图像。

据我所知，解决此问题的方法是将占位符的第一维设置为“无”，例如

x_pl = tf.placeholder(tf.float32, shape=[None,224,224,3])

但是，出现问题是因为我使用的网络是由另一个开发人员提供的，该开发人员使用了一些层，当我将batch_size设置为None时，它崩溃了，直到准备tf.nn.conv2d_transpose层时没有大小不兼容。

我的问题是：是否可以将预先训练的网络切成固定的批次大小？

训练后，我使用以下方法保存模型：

inputs = { x_pl.name: x_pl} 
outputs = { argmax.name: argmax }
tf.saved_model.simple_save( sess, model_path, inputs, outputs )

然后，在另一个脚本中，我通过调用来加载它：

tf.saved_model.loader.load(
        sess2,
        [tag_constants.SERVING],
        model_path,
    )

inference_graph = tf.get_default_graph()

x_pl = inference_graph.get_tensor_by_name("Placeholder:0")
argmax = inference_graph.get_tensor_by_name("ArgMax:0")

问题是x_pl和argmax的大小都为[32，....]。我尝试了tf.slice，tf.split，tf.stride_slice ...，但是当我评估仅由一个图像提供的argmax时，脚本崩溃，提示我应该向PlaceHolder提供一批32张图像。

对我来说似乎很奇怪，我无法对单个预测进行后处理以获得网络，但是我只能找到上述将None放在占位符中的解决方案。可以按照我说的做吗？还是唯一的解决方案是重新编码整个网络？

Tensorflow-修改受训网络的批量大小

0 个答案: