Question

现在，我正在使用来自tensorflow的默认retrain.py来训练图像分类模型。但是，当我在google ai平台上提供模型并尝试调用api时，我收到一条错误消息，指出图像太大，因为它是float32数组。我认为最好的办法是更改retrain.py以获取b64图像而不是float32数组，但是我不知道该怎么做。有什么建议吗？

感谢您的帮助！谢谢！

更新

def export_model(module_spec, class_count, saved_model_dir):
 sess, in_image, _, _, _, _ = build_eval_session(module_spec, class_count)

 image = tf.placeholder(shape=[None], dtype=tf.string)
 export_dir = "/tmp/save/"

 inputs = {'image_bytes': image}
 with sess.graph.as_default() as graph:
    tf.saved_model.simple_save(sess, export_dir, inputs, {'prediction': graph.get_tensor_by_name('final_result:0')})

这是我更新的代码，但是仍然无法正常工作

Answer 1

看看this post，其中包含您需要的信息。如果没有，请回复，我将帮助您准备一些代码，但是您可能需要url安全的b64变体。

编辑

您的代码有点混乱，我不认为输入已经连接到您的图形，您是否用tf.summary.FileWriter（'output folder'，sess.graph）看了图形？

我将逐步尝试解释如何在模型前面构建一些图层，并提供一些示例，该代码不应位于retrain.py中，并且可以在训练模型后运行。

1）加载tensorflow模型，如果它是使用saveModelBuilder或简单的保存方法构建的，则可以像this那样进行操作：

def loader(path):
    with tf.Session(graph=tf.Graph()) as sess:
        tf.saved_model.loader.load(sess, [tag_constants.TRAINING], path)
        return tf.get_default_graph().as_graph_def()

可以使用saved_model_cli tool检查标记常量，在您的情况下，可能必须为空[]。

2）添加所需的层/张量，需要一些东西来接受字节字符串，或者在这种情况下需要以64为基数，将其解码并将其转换为3D图像：

image_str_tensor = tf.placeholder(dtype=tf.string, shape=(None,), name='input_image_bytes')
input_image = tf.decode_base64(image_str_tensor)          
decoder = tf.image.decode_jpeg(input_image[0], channels=3)

如果您从retrain.py获得了其他张量，例如转换为float，dim_expanding和重塑，则应该已经在图中。

3）通过将它们输入到图形中来实现它们。

graph_def_inception = loader('path to your saved model')
output_prediction, = tf.import_graph_def(graph_def_inception, input_map={"DecodeJpeg:0": decoder}, return_elements=['final_result:0'], name="")

4）创建一个保存的模型，并检查是否一切都符合您的要求！

builder = tf.saved_model.builder.SavedModelBuilder('output/model/path')

with tf.Session() as sess:
    tf.summary.FileWriter('output/graph_log/files', sess.graph)

    input_tensor_info = tf.saved_model.utils.build_tensor_info(input_image)
    output_tensor_info = tf.saved_model.utils.build_tensor_info(output_prediction)
    signature = tf.saved_model.signature_def_utils.build_signature_def(
        inputs={'input_image': input_tensor_info},
        outputs={'output_prediction': output_tensor_info},
        method_name=tf.saved_model.signature_constants.PREDICT_METHOD_NAME)

    # save as SavedModel
    builder.add_meta_graph_and_variables(sess,
                                         [tf.saved_model.tag_constants.SERVING],
                                         signature_def_map={'serving_default': signature})
    builder.save()

5）如果遇到错误，请尝试使用张量板进行调试

tensorboard --logdir=output/graph_log/files

我希望能有所帮助，此代码从第一次尝试就不会起作用，您需要对某些部分感到困惑。如果您确实无法成功，那么应该共享模型，也许我可以这样做，并且如果有时间的话可以与您共享代码。

如何更改retrain.py以获取b64图像

1 个答案: