从metagraph文件导入张量流模型时配置input_map

Question

我已经训练了一个DCGAN模型，现在想将它加载到一个库中，通过图像空间优化将神经元激活的驱动程序可视化。

下面的代码有效，但是在进行后续图像分析时，强制我使用（1，宽度，高度，通道）图像进行处理，这是一种痛苦（图书馆对网络输入形状的假设）。

# creating TensorFlow session and loading the model 
graph = tf.Graph() 
sess = tf.InteractiveSession(graph=graph) 

new_saver = tf.train.import_meta_graph(model_fn) 
new_saver.restore(sess, './') 

我想改变input_map，读取源后，我预计这个代码工作：

graph = tf.Graph() 
sess = tf.InteractiveSession(graph=graph) 

t_input = tf.placeholder(np.float32, name='images') # define the input tensor 
t_preprocessed = tf.expand_dims(t_input, 0) 

new_saver = tf.train.import_meta_graph(model_fn, input_map={'images': t_input}) 
new_saver.restore(sess, './') 

但得到了一个错误：

ValueError: tf.import_graph_def() requires a non-empty name if input_map is used.

当堆栈得到下来tf.import_graph_def()名称字段设置为import_scope，所以我尝试了以下内容：

graph = tf.Graph() 
sess = tf.InteractiveSession(graph=graph) 

t_input = tf.placeholder(np.float32, name='images') # define the input tensor 
t_preprocessed = tf.expand_dims(t_input, 0) 

new_saver = tf.train.import_meta_graph(model_fn, input_map={'images': t_input}, import_scope='import') 
new_saver.restore(sess, './') 

这使我获得以下KeyError：

KeyError: "The name 'gradients/discriminator/minibatch/map/while/TensorArrayWrite/TensorArrayWriteV3_grad/TensorArrayReadV3/RefEnter:0' refers to a Tensor which does not exist. The operation, 'gradients/discriminator/minibatch/map/while/TensorArrayWrite/TensorArrayWriteV3_grad/TensorArrayReadV3/RefEnter', does not exist in the graph."

如果我设置“import_scope”，我得到了同样的错误是否我设置“input_map”。

我不确定该从哪里出发。

Answer 1

在更新版本的tensorflow> = 1.2.0中，以下步骤正常工作。

t_input = tf.placeholder(np.float32, shape=[None, width, height, channels], name='new_input') # define the input tensor 

# here you need to give the name of the original model input placeholder name 
# For example if the model has input as; input_original= tf.placeholder(tf.float32, shape=(1, width, height, channels, name='original_placeholder_name')) 
new_saver = tf.train.import_meta_graph(/path/to/checkpoint_file.meta, input_map={'original_placeholder_name:0': t_input}) 
new_saver.restore(sess, '/path/to/checkpointfile') 

Answer 2

所以，主要问题是你没有使用正确的语法。请查阅tf.import_graph_def的文档以了解input_map（link）的使用。

让我们来细数这行：

new_saver = tf.train.import_meta_graph(model_fn, input_map={'images': t_input}, import_scope='import') 

你没有什么大纲是model_fn，但它需要的文件的路径。 在接下来的部分，在input_map，你说：更换在原图（DCGAN），其name是images我的变量（在当前图形）的输入称为t_input。问题在于，t_input和images被引用以不同的方式相同的对象按这条线：

t_input = tf.placeholder(np.float32, name='images') 

换句话说，images在input_map实际上应该是任何变量名，你试图在DCGAN更换图形。您必须以其基本格式（即没有0​​行）导入图形，并找出要链接到的变量的名称。导入图表后，它将位于由tf.get_collection('variables')返回的列表中。查找尺寸（1，宽度，高度，通道），但用值代替变量名称。如果它是占位符，它将看起来像scope/Placeholder:0，其中scope被替换为变量的作用域。

字谨慎：

Tensorflow是关于什么的，预计图表的样子非常挑剔。因此，如果在原始图形规范中明确指定了宽度，高度和通道，那么当您尝试使用不同的维度集连接placeholder时，Tensorflow会发出抱怨（抛出错误）。而且，这是有道理的。如果系统是用一些维度进行训练的，那么它只知道如何生成这些维度的图像。

从理论上讲，你仍然可以在网络的前端粘贴各种奇怪的东西。但是，您需要将其缩小以便首先满足这些尺寸（并且Tensorflow文档表示最好使用CPU之外的CPU执行此操作;即在输入feed_dict之前）。

希望有帮助！