我知道如何从Tensorflow Hub加载预先训练的图像模型。像这样：
#load model
image_module = hub.Module('https://tfhub.dev/google/imagenet/mobilenet_v2_035_128/feature_vector/2')
#get predictions
features = image_module(batch_images)
我还知道如何自定义此模型的输出（对新数据集进行微调）。现有的Modules期望输入batch_images是 RGB 图像张量。
我的问题：我想使用张量（dim 20x20x128，来自不同的模型）作为 Hub 模型的输入，而不是输入特定尺寸的 RGB 图像。这意味着我需要绕过 tf-hub 模型定义的初始层（我不需要它们）。这在 tf-hub 模块 api 中可能吗？文档在这方面不清楚。
ps：我可以轻松地定义自己的层，但尝试查看是否可以使用 Tf-Hub API。
现有的https://tfhub.dev/google/imagenet/ ... 模块不支持这一点。
一般而言，hub.Module 格式允许多个签名（即输入/输出张量的组合；认为提要和提取如 tf.Session.run() 中的那样）。因此，如果有他们想要支持的通用使用模式，模块发布者可以安排它。
但是对于这种复杂程度的自由形式实验，您可能最好直接使用和调整定义模型的代码，例如 TF Slim（适用于 TF1.x）或 Keras Applications（也适用于 TF2）。两者都提供 Imagenet 预训练检查点，用于下载和恢复。
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。
我来说两句