如何再培训开始-v1模型？

Question

我已经成功地通过了官方教程，它解释了如何重新训练启动-v3模型，后来成功地重新训练了相同的模型，以便为特定的目的训练模型。

然而，与其他简单的模型相比，该模型是复杂和缓慢的，比如inception v1，它的准确性足以满足某些任务的需要。具体来说，我想重新训练这个模型，以便在Android上使用它，而且理想情况下，在速度方面的性能应该可以与原始的TensorFlow安卓演示相媲美。无论如何，我尝试用此链接中的以下修改重新训练retrain.py中的inception v1模型：

BOTTLENECK_TENSOR_NAME = 'avgpool0/reshape:0'
BOTTLENECK_TENSOR_SIZE = 2048
MODEL_INPUT_WIDTH = 224
MODEL_INPUT_HEIGHT = 224
MODEL_INPUT_DEPTH = 3
JPEG_DATA_TENSOR_NAME = 'input'
RESIZED_INPUT_TENSOR_NAME = 'input'

相对于初始v3，v1没有任何decodeJpeg或调整大小的节点：

初始v3节点：

DecodeJpeg/contents
DecodeJpeg
Cast
ExpandDims/dim
ExpandDims
ResizeBilinear/size
ResizeBilinear
...
pool_3
pool_3/_reshape/shape
pool_3/_reshape
softmax/weights
softmax/biases
softmax/logits/MatMul
softmax/logits
softmax

初始v1节点：

input
conv2d0_w
conv2d0_b
conv2d1_w
conv2d1_b
conv2d2_w
conv2d2_b
...
softmax1_pre_activation
softmax1
avgpool0/reshape/shape
avgpool0/reshape
softmax2_pre_activation/matmul
softmax2_pre_activation
softmax2
output
output1
output2

所以我想在输入图形之前，必须对图像进行整形。

现在，当命中以下函数时，会发生错误：

def run_bottleneck_on_image(sess, image_data, image_data_tensor,
                            bottleneck_tensor):
  """Runs inference on an image to extract the 'bottleneck' summary layer.

  Args:
    sess: Current active TensorFlow Session.
    image_data: Numpy array of image data.
    image_data_tensor: Input data layer in the graph.
    bottleneck_tensor: Layer before the final softmax.

  Returns:
    Numpy array of bottleneck values.
  """

  bottleneck_values = sess.run(
      bottleneck_tensor,
      {image_data_tensor: image_data})
  bottleneck_values = np.squeeze(bottleneck_values)
  return bottleneck_values

错误：

TypeError:不能将feed_dict键解释为张量:不能将操作转换为张量。

我想，在传递初始v1图中的以下节点之后，必须重新调整初始v3图输入节点上的数据以匹配这些数据：

DecodeJpeg/contents
DecodeJpeg
Cast
ExpandDims/dim
ExpandDims
ResizeBilinear/size
ResizeBilinear

如果有人已经成功地重新培训了初始v1模型，或者知道如何在v1案例中重组数据以匹配初始v3，那么我将非常感谢您提供的任何建议或建议。

Answer 1

不知道你是否解决了这个问题，但我正在处理一个类似的问题。

我正在尝试使用一个不同的模型(不是“盗梦空间-v1”或“盗梦空间-3”)和“盗梦空间-v3转移学习教程”。这篇文章似乎正确地重新映射了新模型的输入(在您的示例中是-v1)，以便很好地处理本教程其余部分使用的jpeg编码：在tensorflow中输入图像数据进行迁移学习。

我遇到的唯一问题是输入中出现了一个错误，即“不能将uint8类型的张量转换为输入类型的float32”，但这至少会使您走上正确的轨道。

祝好运!

Answer 2

(对于那些仍然感兴趣的人)

对于初始-v1，瓶颈张量应该是1024。对于我来说，下面的设置适用于提到的起始-v1 For 这个重新训练脚本。不需要jpeg数据张量或其他。

bottleneck_tensor_name = 'avgpool0/reshape:0'
bottleneck_tensor_size = 1024
input_width = 224
input_height = 224
input_depth = 3
resized_input_tensor_name = 'input:0'