Python 使用张量输入时，Keras模型预测会发生变化

我想使用来自Keras的预训练Inception-V3模型，与来自Tensorflow的输入管道配对（即通过tensor提供网络的输入）。 这是我的代码：

import tensorflow as tf
from keras.preprocessing.image import load_img, img_to_array
from keras.applications.inception_v3 import InceptionV3, decode_predictions, preprocess_input
import numpy as np

img_sample_filename = 'my_image.jpg'
img = img_to_array(load_img(img_sample_filename, target_size=(299,299)))
img = preprocess_input(img)
img_tensor = tf.constant(img[None,:])

# WITH KERAS:
model = InceptionV3()
pred = model.predict(img[None,:])
pred = decode_predictions(np.asarray(pred)) #<------ correct prediction!
print(pred)

# WITH TF:
model = InceptionV3(input_tensor=img_tensor)
init = tf.global_variables_initializer()

with tf.Session() as sess:
  from keras import backend as K
  K.set_session(sess)

  sess.run(init)
  pred = sess.run([model.output], feed_dict={K.learning_phase(): 0})

pred = decode_predictions(np.asarray(pred)[0])
print(pred)                               #<------ wrong prediction!

将tensorflow导入为tf
从keras.preprocessing.image导入加载\u img、img\u到\u数组
从keras.applications.inception\u v3导入InceptionV3，解码\u预测，预处理\u输入
将numpy作为np导入
img_sample_filename='my_image.jpg'
img=img\u到\u数组（加载\u img（img\u示例\u文件名，目标\u大小=（299299）））
img=预处理输入（img）
img_张量=tf.常数（img[None，：]）
#对于KERAS：
模型=接收v3（）
pred=model.predict（img[None，：]）
pred=decode_predictions（np.asarray（pred））#最后，在
InceptionV3
代码中，我发现了一个问题：
sess.run（init）
覆盖了
InceptionV3
的构造函数中加载的weigts。
我发现这个问题的-dirty-fix是在sess.run（init）

之后重新加载权重

注意：

get\u file（）

的参数直接取自

InceptionV3

的构造函数，在我的示例中，这些参数特定于使用

image\u data\u format='channels\u last'

恢复整个网络的权重。

---

我问他是否有更好的解决办法。如果需要获得更多信息，我将更新此答案。

您始终可以初始化变量子集，而不是初始化每个变量（包括模型预训练权重）。

from keras.applications.inception_v3 import get_file, WEIGHTS_PATH

with tf.Session() as sess:
  from keras import backend as K
  K.set_session(sess)

  sess.run(init)
  weights_path = get_file(
                'inception_v3_weights_tf_dim_ordering_tf_kernels.h5',
                WEIGHTS_PATH,
                cache_subdir='models',
                md5_hash='9a0d58056eeedaa3f26cb7ebd46da564')
  model.load_weights(weights_path)
  pred = sess.run([model.output], feed_dict={K.learning_phase(): 0})