是否可以更改张量流预训练模型的输入形状？

debugcn 发表于 Dev

扎兹

我有一个用于图像分割的Tensorflow预训练模型，该模型接收6个波段作为输入，我想将模型的输入大小更改为接收4个波段，以便我可以使用自己的数据集进行重新训练，但仍然无法做到这一点，不确定这是否可能？

我尝试通过名称获取输入节点并使用它进行更改，但import_graph_def没有成功，似乎是在尝试替换时要求尊重尺寸。

graph = tf.get_default_graph()
tf_new_input = tf.placeholder(shape=(4, 256, 256), dtype='float32', name='new_input')
tf.import_graph_def(graph_def, input_map={"ImageInputLayer": tf_new_input})

但是我收到以下错误：

tensorflow.python.framework.errors_impl.InvalidArgumentError: Dimensions must be equal, but are 4 and 6 for 'import/ImageInputLayer_Sub' (op: 'Sub') with input shapes: [4,256,256], [6,256,256]

普拉萨德

您必须将4通道占位符输入转换为6通道输入，并且输入图像形状应与6通道模型所期望的相同。您可以使用任何操作，但是conv2d在将其输入到现有模型之前，这是一个易于执行的操作。这就是你的做法。

with tf.Graph().as_default() as old_graph:
  # You have to load your 6 channel input graph here
  saver.restore(tf.get_default_session(), <<save_path>>)
  # Assuming that input node is named as 'input_node' and 
  # final node is named as 'softmax_node'

with tf.Graph().as_default() as new_graph:
  tf_new_input = tf.placeholder(shape=(None, 256, 256, 4), dtype='float32')

  # Map 4 channeled input to 6 channel and 
  # image input shape should be same as expected by old model.
  new_node = tf.nn.conv2d(tf_new_input, (3, 3, 4, 6), strides=1, padding='SAME')

  # If you want to obtain output node so that you can further perform operations.
  softmax_node = tf.import_graph_def(old_graph, input_map={'input_node:0': new_node}, 
                                     return_elements=['softmax_node:0'])

本文收集自互联网，转载请注明来源。

如有侵权，请联系[email protected] 删除。