Question

我有一个CNN的{{1}}模型，该模型已经在我的数据集中进行了训练。该模型是这样的

image classification

训练后，我想获得输入到预训练模型中的图像的特征向量，即，我想获得Convolution Relu pooling Convolution Relu Convolution Relu pooling flat fully connected (FC1) Relu fully connected (FC2) softmax层的输出。有什么方法可以获取它，我浏览了网络，但找不到任何有用的建议，对您有很大帮助。

培训脚本

FC1

测试脚本

# input
x = tf.placeholder(tf.float32, shape=[None, img_size_h, img_size_w, num_channels], name='x')
# lables
y_true     = tf.placeholder(tf.float32, shape=[None, num_classes], name='y_true')
y_true_cls = tf.argmax(y_true, axis=1)

y_pred = build_model(x)     # Builds model architecture
y_pred_cls = tf.argmax(y_pred, axis=1)

cross_entropy = tf.nn.softmax_cross_entropy_with_logits_v2(logits=y_pred, labels=y_true)
cost = tf.reduce_mean(cross_entropy)

optimizer = tf.train.MomentumOptimizer(learn_rate, 0.9, use_locking=False, use_nesterov=True).minimize(cost)

accuracy  = tf.reduce_mean(tf.cast(tf.equal(y_pred_cls, y_true_cls), tf.float32))

sess = tf.Session()

sess.run(tf.global_variables_initializer())

tf_saver = tf.train.Saver()

train(num_iteration)    # Trains the network and saves the model

sess.close()

Answer 1

您可以直接在右侧张量进行sess.run得到的值。首先，您需要张量。您可以在build_model中通过添加名称参数（可以对任何张量执行此操作）来为其命名，例如：

FC1 = tf.add(tf.multiply(Flat, W1), b1, name="FullyConnected1")

稍后，您可以获取完全连接层的张量并对其进行评估：

with tf.Session() as sess:
    FC1 = tf.get_default_graph().get_tensor_by_name('FullyConnected1:0')
    FC1_values = sess.run(FC1, feed_dict={x: input_img_arr})

（这是假设没有在图中称为FullyConnected1其它层）

如何获得经过训练的CNN模型的某一层的输出[Tensorflow]

1 个答案: