python - 分批训练，但在 Tensorflow 中使用 tf.estimators 执行单个图像分类

Question

为图像分类构建卷积神经网络是我第一次涉足 Python 和 Tensorflow。我有一个要训练的大型图像数据库，我的应用程序是对单个图像进行快速、实时的分类。目前，为了执行单个图像的推理，我必须使训练批量大小等于 1。如果我不这样做（并且训练批量大小为 16），我会收到以下错误：

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

我真的很想灵活地训练更大的批量，同时仍然能够对单个图像进行分类。

我的问题与此处提出的其他问题非常相似，例如批量训练但在 Tensorflow 中测试单个数据项？和Tensorflow：层大小取决于批量大小？但我缺乏 tf 经验意味着我无法将建议的解决方案实施到我的代码中。

我已经编写了用于图像分类的训练和推理代码，它们基于 tensorflow 网站上给出的用于分类 MNIST 数据库https://www.tensorflow.org/tutorials/estimators/cnn#train_eval_mnist的示例。我的代码使用 tf.estimators https://www.tensorflow.org/guide/estimators一个高级 tensorflow API。上面提出和回答的类似问题的解决方案建议修改我没有（故意）使用的 tf.placeholders。我已经复制了我在下面使用的输入函数和模型函数的代码。我确定我需要发布更多信息，但这也是我提出的第一个 SO 问题，如果我忘记了很多事情，我深表歉意。

训练：

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])

模型函数（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)

标签： pythontensorflowconv-neural-network