Tensorflow：如何将自定义输入插入现有图形？

Question

我下载了一个实现 VGG16 ConvNet 的 tensorflow GraphDef，我用它来做这个：

Pl['images'] = tf.placeholder(tf.float32, 
                          [None, 448, 448, 3],
                          name="images") #batch x width x height x channels
with open("tensorflow-vgg16/vgg16.tfmodel", mode='rb') as f: 
    fileContent = f.read()

graph_def = tf.GraphDef()
graph_def.ParseFromString(fileContent)
tf.import_graph_def(graph_def, input_map={"images": Pl['images']})

此外，我的图像特征与 "import/pool5/" 的输出是同质的。

如何告诉我的图表不想使用他的输入 "images"，而是张量 "import/pool5/" 作为输入？

谢谢！

编辑

好的，我意识到我不是很清楚。情况是这样的：

我正在尝试使用 this implementation 的 ROI 池，使用预训练的 VGG16，我有 GraphDef 格式。所以这就是我所做的：

首先，我加载模型：

tf.reset_default_graph()
with open("tensorflow-vgg16/vgg16.tfmodel",
          mode='rb') as f:
    fileContent = f.read()
graph_def = tf.GraphDef()
graph_def.ParseFromString(fileContent)
graph = tf.get_default_graph()

然后，我创建我的占位符

images = tf.placeholder(tf.float32, 
                              [None, 448, 448, 3],
                              name="images") #batch x width x height x channels
boxes = tf.placeholder(tf.float32, 
                             [None,5], # 5 = [batch_id,x1,y1,x2,y2]
                             name = "boxes")

并且我将图的第一部分的输出定义为 conv5_3/Relu

tf.import_graph_def(graph_def, 
                    input_map={'images':images})
out_tensor = graph.get_tensor_by_name("import/conv5_3/Relu:0")

所以，out_tensor 的形状是 [None,14,14,512]

然后，我进行 ROI 池化：

[out_pool,argmax] = module.roi_pool(out_tensor,
                                    boxes,
                                    7,7,1.0/1)

与out_pool.shape = N_Boxes_in_batch x 7 x 7 x 512同构pool5。然后我想将 out_pool 作为 pool5 之后的操作的输入，所以它看起来像

tf.import_graph_def(graph.as_graph_def(),
                    input_map={'import/pool5':out_pool})

但是它不起作用，我有这个错误：

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
<ipython-input-89-527398d7344b> in <module>()
      5 
      6 tf.import_graph_def(graph.as_graph_def(),
----> 7                     input_map={'import/pool5':out_pool})
      8 
      9 final_out = graph.get_tensor_by_name("import/Relu_1:0")

/usr/local/lib/python3.4/dist-packages/tensorflow/python/framework/importer.py in import_graph_def(graph_def, input_map, return_elements, name, op_dict)
    333       # NOTE(mrry): If the graph contains a cycle, the full shape information
    334       # may not be available for this op's inputs.
--> 335       ops.set_shapes_for_outputs(op)
    336 
    337       # Apply device functions for this op.

/usr/local/lib/python3.4/dist-packages/tensorflow/python/framework/ops.py in set_shapes_for_outputs(op)
   1610       raise RuntimeError("No shape function registered for standard op: %s"
   1611                          % op.type)
-> 1612   shapes = shape_func(op)
   1613   if len(op.outputs) != len(shapes):
   1614     raise RuntimeError(

/home/hbenyounes/vqa/roi_pooling_op_grad.py in _roi_pool_shape(op)
     13   channels = dims_data[3]
     14   print(op.inputs[1].name, op.inputs[1].get_shape())
---> 15   dims_rois = op.inputs[1].get_shape().as_list()
     16   num_rois = dims_rois[0]
     17 

/usr/local/lib/python3.4/dist-packages/tensorflow/python/framework/tensor_shape.py in as_list(self)
    745       A list of integers or None for each dimension.
    746     """
--> 747     return [dim.value for dim in self._dims]
    748 
    749   def as_proto(self):

TypeError: 'NoneType' object is not iterable

有什么线索吗？

Answer 1

我会做的是这些方面的事情：

-首先检索表示 VGG16 中 pool5 之后的 3 个全连接层的权重和偏差的张量的名称。
为此，我会检查 [n.name for n in graph.as_graph_def().node]。（它们可能看起来像 import/locali/weight:0、import/locali/bias:0 等）

-将它们放入 python 列表中：

weights_names=["import/local1/weight:0" ,"import/local2/weight:0" ,"import/local3/weight:0"]
biases_names=["import/local1/bias:0" ,"import/local2/bias:0" ,"import/local3/bias:0"]

-定义一个类似于以下内容的函数：

def pool5_tofcX(input_tensor, layer_number=3):
  flatten=tf.reshape(input_tensor,(-1,7*7*512))
  tmp=flatten
  for i in xrange(layer_number):
    tmp=tf.matmul(tmp, graph.get_tensor_by_name(weights_name[i]))
    tmp=tf.nn.bias_add(tmp, graph.get_tensor_by_name(biases_name[i]))
    tmp=tf.nn.relu(tmp)
  return tmp

然后使用函数定义张量：

wanted_output=pool5_tofcX(out_pool)

完成！

Answer 2

通常使用tf.train.export_meta_graph来存储整个MetaGraph是非常方便的。然后，在恢复时，您可以使用 tf.train.import_meta_graph、因为事实证明它将所有其他参数传递给具有 input_map 参数的基础 import_scoped_meta_graph并在它自己调用 import_graph_def 时使用它。

它没有记录在案，我花了太多时间才找到它，但它确实有效！

Answer 3

Jonan Georgiev 在这里提供了一个很好的答案。在这个 git 问题的末尾也描述了同样的方法，但没有大张旗鼓：https://github.com/tensorflow/tensorflow/issues/3389

下面是一个 copy/paste 可运行示例，使用此方法为 tf.data.Dataset get_next 张量切换占位符。

import tensorflow as tf


my_placeholder = tf.placeholder(dtype=tf.float32, shape=1, name='my_placeholder')
my_op = tf.square(my_placeholder, name='my_op')

# Save the graph to memory
graph_def = tf.get_default_graph().as_graph_def()

print('----- my_op before any remapping -----')
print([n for n in graph_def.node if n.name == 'my_op'])

tf.reset_default_graph()

ds = tf.data.Dataset.from_tensors(1.0)
next_tensor = tf.data.make_one_shot_iterator(ds).get_next(name='my_next_tensor')

# Restore the graph with a custom input mapping
tf.graph_util.import_graph_def(graph_def, input_map={'my_placeholder': next_tensor}, name='')

print('----- my_op after remapping -----')
print([n for n in tf.get_default_graph().as_graph_def().node if n.name == 'my_op'])

输出，这里我们可以清楚的看到平方运算的输入发生了变化

----- my_op before any remapping -----
[name: "my_op"
op: "Square"
input: "my_placeholder"
attr {
  key: "T"
  value {
    type: DT_FLOAT
  }
}
]

----- my_op after remapping -----
[name: "my_op"
op: "Square"
input: "my_next_tensor"
attr {
  key: "T"
  value {
    type: DT_FLOAT
  }
}
]

Tensorflow：如何将自定义输入插入现有图形？

Tensorflow : how to insert custom input to existing graph?

graph

subgraph

tensorflow