预训练初始 v3 模型的层名称 (tensorflow)
Layer names for pretrained inception v3 model (tensorflow)
任务是获取 pretrained cnn inceptionv3 模型的每层输出。
例如，我将图像提供给该网络，我不仅想获得它的输出，还想获得每一层的输出（逐层）。
为此，我必须知道每一层输出的名称。最后一层和前一层很容易做到：
sess.graph.get_tensor_by_name('pool_3:0')
sess.graph.get_tensor_by_name('softmax:0')
（名称 pool_3:0 和 softmax:0 列在与模型相关的来源中）
但是，如果我不仅想获得最后一层和前最后一层的输出，而且还想获得此模型任何层的前前前、后前前前等输出，该怎么办？
然后我必须知道图层名称。一个类似的问题
在 Whosebug 上，但只有 pre-last 和 last layers 的名称，这些名称也可以在源代码的注释中找到('pool_3:0', 'softmax:0')
获取名称的明显方法是绘制模型图。但事实并非如此because graph-drawing tool simply crashes。
还有一个与此相关的issue。
我也试过：
- 打印所有图形节点名称并仅使用来自节点名称的信息构建图形。但是节点名称非常神秘。而且节点之间的联系不是很明显，因为inception v3 architecture 所以在不知道节点之间的联系的情况下，这种方法就像破解密码一样:)
- 然后我尝试使用自己编写的工具绘制该模型的图形（获取给定节点的所有输入（例如，'pool_3:0'），然后获取[=40=的每个输入的所有输入], 等。这种方法适用于简单的模型。但是当我尝试将它用于图像识别教程中的 inceptionv3 实现时，我使用了 16 GB 的 RAM，然后是 10 GB 的交换空间，然后我就不再寻找了引擎盖。也许图中有一些循环（但是如果网络是前馈的怎么可能？）
所以，也许参与过这个预训练模型实施的人 'shipping' 正在阅读 Whosebug。
或者也许有人已经为该模型获得了分层名称。
请与我和 ml 社区分享。提前致谢！
基本问题已在
中提出（并回答）
用您的方法 (2) 回答您的问题 - 确实有效（我已经做到了）。如果我不得不猜测，您可能不会使用类似字典的结构来存储节点，因此如果多个节点从同一个节点获取输入（就像在初始模型中经常发生的那样），您将插入该输入节点在您要存储/访问的事物列表中多次。如果你注意只访问每个节点一次，那应该 运行 基本上立即没有内存问题。
任务是获取 pretrained cnn inceptionv3 模型的每层输出。 例如，我将图像提供给该网络，我不仅想获得它的输出，还想获得每一层的输出（逐层）。
为此，我必须知道每一层输出的名称。最后一层和前一层很容易做到：
sess.graph.get_tensor_by_name('pool_3:0')
sess.graph.get_tensor_by_name('softmax:0')
（名称 pool_3:0 和 softmax:0 列在与模型相关的来源中）
但是，如果我不仅想获得最后一层和前最后一层的输出，而且还想获得此模型任何层的前前前、后前前前等输出，该怎么办？
然后我必须知道图层名称。一个类似的问题
获取名称的明显方法是绘制模型图。但事实并非如此because graph-drawing tool simply crashes。 还有一个与此相关的issue。
我也试过：
- 打印所有图形节点名称并仅使用来自节点名称的信息构建图形。但是节点名称非常神秘。而且节点之间的联系不是很明显，因为inception v3 architecture 所以在不知道节点之间的联系的情况下，这种方法就像破解密码一样:)
- 然后我尝试使用自己编写的工具绘制该模型的图形（获取给定节点的所有输入（例如，'pool_3:0'），然后获取[=40=的每个输入的所有输入], 等。这种方法适用于简单的模型。但是当我尝试将它用于图像识别教程中的 inceptionv3 实现时，我使用了 16 GB 的 RAM，然后是 10 GB 的交换空间，然后我就不再寻找了引擎盖。也许图中有一些循环（但是如果网络是前馈的怎么可能？）
所以，也许参与过这个预训练模型实施的人 'shipping' 正在阅读 Whosebug。
或者也许有人已经为该模型获得了分层名称。 请与我和 ml 社区分享。提前致谢！
基本问题已在
用您的方法 (2) 回答您的问题 - 确实有效（我已经做到了）。如果我不得不猜测，您可能不会使用类似字典的结构来存储节点，因此如果多个节点从同一个节点获取输入（就像在初始模型中经常发生的那样），您将插入该输入节点在您要存储/访问的事物列表中多次。如果你注意只访问每个节点一次，那应该 运行 基本上立即没有内存问题。