在同一个张量流导入中使用多个独立的神经网络

using multiple separate neural nets on the same tensor-flow import

我构建了一个通用的 python class 用于与使用 "tf.saved_model.builder.SavedModelBuilder" 保存的经过训练的神经网络进行交互。

当我使用给定的神经网络从 class 继承一次时,一切正常。然而,当我再次继承第二个具有不同架构的神经网络时,张量流会抛出一个形状不适合的错误: "Assign requires shapes of both tensors to match. lhs shape= [100,2] rhs shape= [400,4]"

这些形状属于两个不同的神经网络,但我不明白为什么张量流会记住第一个网络。

有没有简单的方法可以解决这个问题?如果不是,那么在一个项目中使用多个神经网络的正确方法是什么?

这是 class 代码:

import tensorflow as tf


# prevents tensorflow from using GPU
config = tf.ConfigProto(
  device_count={'GPU': 0}
)


class TFService():

  def __init__(self, netName, inputName, outputName):
    # opens a tensorflow session to use continously
    self.session = tf.Session(config=config)

    # loads the trained neural net
    importDir = 'ocr/neural_nets/{}'.format(netName)

    tf.saved_model.loader.load(
      self.session,
      [tf.saved_model.tag_constants.SERVING],
      importDir
    )

    # saves the input and output tensors for the net
    self.x = tf.get_default_graph().get_tensor_by_name(inputName)
    self.y_pred = tf.get_default_graph().get_tensor_by_name(outputName)

  def getPredictions(self, inputData):
    # the object to feed the neural net
    feed_dict = {self.x: inputData}

    # runs the neural net and returns an array with the predictions
    results = self.session.run(self.y_pred, feed_dict=feed_dict)

    return results

对不同的网络使用不同的图表。

您可以这样做:

def __init__(self, netName, inputName, outputName):
    self.graph = tf.Graph()
    # opens a tensorflow session to use continously
    # use self.graph as graph the the session
    self.session = tf.Session(config=config, graph=self.graph)


    tf.saved_model.loader.load(
      self.session,
      [tf.saved_model.tag_constants.SERVING],
      importDir
    )

    # saves the input and output tensors for the net
    self.x = self.graph.get_tensor_by_name(inputName)
    self.y_pred = self.graph.get_tensor_by_name(outputName)