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：

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