C++ Tensorflow C API分段故障
我使用Keras来训练一个简单的RNN,它有两层LSTM和辍学。我想在tensorflow C API中加载.pb图,并将其用于以后的预测,但我遇到了分段错误。后来我发现,如果我保持网络不变,只删除退出选项并重新训练,那么一切都正常运行。然而,我想使用一个辍学,因为准确度更好地预测测试数据。有人提出建议吗?使用tensorflow C API的示例太少了 这里是我得到分段错误的地方:C++ Tensorflow C API分段故障,c++,c,tensorflow,keras,protobuf-c,C++,C,Tensorflow,Keras,Protobuf C,我使用Keras来训练一个简单的RNN,它有两层LSTM和辍学。我想在tensorflow C API中加载.pb图,并将其用于以后的预测,但我遇到了分段错误。后来我发现,如果我保持网络不变,只删除退出选项并重新训练,那么一切都正常运行。然而,我想使用一个辍学,因为准确度更好地预测测试数据。有人提出建议吗?使用tensorflow C API的示例太少了 这里是我得到分段错误的地方: TF_SessionRun(session, NULL, &inpu
TF_SessionRun(session, NULL,
&inputs[0], &input_values[0], static_cast<int>(inputs.size()),
&outputs[0], &output_values[0], static_cast<int>(outputs.size()),
NULL, 0, NULL, status);
// Assign the values from the output tensor to a variable and iterate over them
ASSERT(!output_values.empty());
float* out_vals = static_cast<float*>(TF_TensorData(output_values[0]));
然后gdb显示TF_张量数据(输出_值[0]);是分段的来源。当调用
TF_SessionRun
失败时,可能会发生这种情况(根据)。您应该使用类似以下内容检查status
的值:``ASSERT\u EQ(TF\u OK,TF\u GetStatus(status))@ash谢谢,我最近解决了这个问题。基本上,我在Keras中使用辍学训练rnn,但在将tensorflow中的.mdl文件转换为.pb文件的过程中,我忘记将K.learning阶段设置为0。在函数中添加一行:set_learning_phase(0)int函数convert_to_pb完美地解决了这个问题。
# Create function to convert saved keras model to tensorflow graph
def convert_to_pb(weight_file,input_fld='',output_fld=''):
import os
import os.path as osp
from tensorflow.python.framework import graph_util
from tensorflow.python.framework import graph_io
from keras.models import load_model
from keras import backend as K
# weight_file is a .h5 keras model file
output_node_names_of_input_network = ["pred0"]
output_node_names_of_final_network = 'output_node'
# change filename to a .pb tensorflow file
output_graph_name = weight_file[:-3]+'pb'
weight_file_path = osp.join(input_fld, weight_file)
net_model = load_model(weight_file_path)
num_output = len(output_node_names_of_input_network)
pred = [None]*num_output
pred_node_names = [None]*num_output
for i in range(num_output):
pred_node_names[i] = output_node_names_of_final_network+str(i)
pred[i] = tf.identity(net_model.output[i], name=pred_node_names[i])
print('output nodes names are: ', pred_node_names)
sess = K.get_session()
constant_graph = graph_util.convert_variables_to_constants(sess, sess.graph.as_graph_def(), pred_node_names)
graph_io.write_graph(constant_graph, output_fld, output_graph_name, as_text=False)
print('saved the constant graph (ready for inference) at: ', osp.join(output_fld, output_graph_name))
return output_fld+output_graph_name
tfpath = convert_to_pb(sys.argv[1],'./','./')
print 'tfpath: ', tfpath