Python tensorflow，训练后拆分自动编码器

我有tensorflow 1x中的自动编码器模型（不是keras），我正在尝试在培训后将模型拆分为编码器和解码器

两者在同一范围内起作用 我有3个占位符

self.X = tf.placeholder(shape=[None, vox_res64, vox_res64, vox_res64, 1], dtype=tf.float32)
self.Z = tf.placeholder(shape=[None,500], dtype=tf.float32)

self.Y = tf.placeholder(shape=[None, vox_rex256, vox_rex256, vox_rex256, 1], dtype=tf.float32)

 with tf.variable_scope('aeu'):
            self.lfc=self.encoder(self.X)

            self.Y_pred, self.Y_pred_modi = self.decoder(self.lfc)

enocder和解码器如下所示

    def encoder(self,X):
        with tf.device('/gpu:'+GPU0):
            X = tf.reshape(X,[-1, vox_res64,vox_res64,vox_res64,1])
            c_e = [1,64,128,256,512]
            s_e = [0,1 , 1, 1, 1]
            layers_e = []
            layers_e.append(X)
            for i in range(1,5,1):
                layer = tools.Ops.conv3d(layers_e[-1],k=4,out_c=c_e[i],str=s_e[i],name='e'+str(i))
                layer = tools.Ops.maxpool3d(tools.Ops.xxlu(layer, label='lrelu'), k=2,s=2,pad='SAME')
                layers_e.append(layer)

            ### fc
            [_, d1, d2, d3, cc] = layers_e[-1].get_shape()
            d1=int(d1); d2=int(d2); d3=int(d3); cc=int(cc)
            lfc = tf.reshape(layers_e[-1],[-1, int(d1)*int(d2)*int(d3)*int(cc)])
            lfc = tools.Ops.xxlu(tools.Ops.fc(lfc, out_d=500,name='fc1'), label='relu')
            print (d1)
            print(cc)
        return lfc


    def decoder(self,Z):
        with tf.device('/gpu:'+GPU0):


            lfc = tools.Ops.xxlu(tools.Ops.fc(Z, out_d=2*2*2*512, name='fc2'), label='relu')

            lfc = tf.reshape(lfc, [-1,2,2,2,512])

            c_d = [0,256,128,64]
            s_d = [0,2,2,2]
            layers_d = []
            layers_d.append(lfc)
            for j in range(1,4,1):

                layer = tools.Ops.deconv3d(layers_d[-1],k=4,out_c=c_d[j],str=s_d[j],name='d'+str(len(layers_d)))

                layer = tools.Ops.xxlu(layer, label='relu')
                layers_d.append(layer)
            ###
            layer = tools.Ops.deconv3d(layers_d[-1],k=4,out_c=1,str=2,name='dlast')
            print("****************************",layer)
            ###
            Y_sig = tf.nn.sigmoid(layer)
            Y_sig_modi = tf.maximum(Y_sig,0.01)

        return Y_sig, Y_sig_modi

当我在训练后尝试使用模型时

 X = tf.get_default_graph().get_tensor_by_name("Placeholder:0")
 Z = tf.get_default_graph().get_tensor_by_name("Placeholder_1:0")
 Y_pred = tf.get_default_graph().get_tensor_by_name("aeu/Sigmoid:0")
 lfc = tf.get_default_graph().get_tensor_by_name("aeu/Relu:0")

获取潜在代码可以很好地工作

 lc = sess.run(lfc, feed_dict={X: x_sample})

现在我想使用潜在代码作为解码器的输入，我得到一个错误，我必须填写X（占位符）

我怎样才能拆分到编码器-解码器？

---

我只搜索了我找到的keras示例

我注意到的第一件事是，您没有在任何地方将self.Z传递到解码器中。所以tensorflow不能自动将占位符和之前使用的z链接起来

你可以做一些事情来解决这个问题。最简单的方法是尝试重新创建解码器图，但在调用变量范围时，请将reuse设置为True

使用tf.variable_scope（'aeu'，reuse=True）：
self.new_Y，self.new_Y_modi=self.decoder（self.Z）
y_pred=sess.run（self.new_y，feed_dict={self.Z:lc}）

---

这可能是最容易做到的方法。在这种情况下，可能会要求您填写占位符X，但您可以使用空数组来填写占位符X。通常Tensorflow不会要求它，除非有某种控制依赖将两者联系在一起

我找到了如何分割模型

如果有人想知道，我会给出答案

我的错误是：

1：我没有将self.Z传递给解码器

2：对于以下行

y_pred = sess.run(Y_pred, feed_dict={Z: lc})

在我训练了我的模型之后，这一行在不同的文件中 tensorflow不知道[z]指的是什么，因此您必须使用与确定张量相同的变量，如下所示

 lfc = tf.get_default_graph().get_tensor_by_name("aeu/Relu:0")

我把它命名为[利物浦]而不是[Z]

因此，更改代码以解决问题

y_pred = sess.run(Y_pred, feed_dict={lfc: lc})

y_pred = sess.run(Y_pred, feed_dict={lfc: lc})