时间戳

首页 > 解决方案 > 为什么我保存的 Tensorflow 模型在恢复时会预测废话？

python - 为什么我保存的 Tensorflow 模型在恢复时会预测废话？

问题描述

我在 Tensorflow 中训练了一个卷积神经网络，它分析图像并计算其中的对象，并将其保存以备后用。现在我正在尝试恢复模型并预测切割成图块的图像的值。不过，我得到的是无意义的值，并且每个图块的数字几乎相同。每个加载的模型都会给出围绕特定值的数字，每个图像相同，但每个模型不同。我在想，也许我使用了恢复模型中的错误张量？这是我的代码的摘录：

x = tf.placeholder(tf.float32, [None, 98, 98, 3], name='x')
y = tf.placeholder(tf.float32, [None, ], name='y') 

# create two convolutional layers: layer1 and layer2

s3 = create_conv_layer_for_sum(layer2, f2, f3, [5, 5], 2, outf_sum, name='s_layer3')
y_pred = s3

error = tf.pow((y - y_pred), 2)
# other error measures also present
optimiser = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(error)
init_op = tf.global_variables_initializer()

with tf.Session() as sess:
    # train the model here
    saver = tf.train.Saver()
        save_path = saver.save(sess, "models/model"+str(num)+"/model.ckpt")


def create_conv_layer_for_sum(input_data, num_input_channels, num_filters, filter_shape, stride, out_fction, name):
    # ...
    sum = tf.reduce_sum(transformed, axis=[1, 2, 3], name=name+'_output')
    return sum

这部分是训练和保存。然后我恢复模型：

    sess = tf.Session()

    saver = tf.train.import_meta_graph('models/' + model + '/model.ckpt.meta')
    saver.restore(sess, 'models/' + model + '/model.ckpt')

    inputData = CNNutils.load_photo(photo, 98)  # cuts photo into squares and stacks those as a numpy array

    graph = tf.get_default_graph()

    x = graph.get_tensor_by_name('x:0')

    s3 = graph.get_tensor_by_name('s_layer3_output:0')

    y_pred = tf.reduce_sum(s3)

    pred, sum3 = sess.run([y_pred, s3], feed_dict={x: inputData})
    print(pred)
    print(sum3)

s3应该是最后一层的输出，然后y_pred将来自单个图块的整个图像的预测相加。

我将不胜感激任何帮助。

标签： pythontensorflowmachine-learningmodelconv-neural-network

解决方案

您可以使用 保存模型model.save并使用 恢复模型吗load_model？

Keras 支持更简单的界面，可以将模型权重和模型架构一起保存到单个 H5 文件中。

使用方式保存模型model.save包括我们需要了解的有关模型的所有信息，包括：

  1. 模型权重。
  2. 模型架构。
  3. 模型编译细节（损失和指标）。
  4. 模型优化器状态。

然后可以通过调用load_model()函数并传递文件名来加载保存的模型。该函数返回具有相同架构和权重的模型。

您可以在此处找到有关模型保存和加载的示例。

推荐阅读