Python Tensorflow：加载预训练的ResNet模型时出错

我想使用Tensorflow预先训练过的ResNet模型。我下载了模型的（

resnet_v1.py

）和（

resnet_v1_50.ckpt

）文件

我已经可以通过使用以下帖子解决错误

ImportError:没有名为“nets”的模块

：请参阅中的答案

现在我遇到以下错误，不知道该怎么办：

NotFoundError (see above for traceback): Restoring from checkpoint failed. 
This is most likely due to a Variable name or other graph key that is missing from the checkpoint. 
Please ensure that you have not altered the graph expected based on the checkpoint. Original error:

    Tensor name "resnet_v1_50/block1/unit_1/bottleneck_v1/conv1/biases" 
not found in checkpoint files /home/resnet_v1_50.ckpt
         [[node save/RestoreV2 (defined at my_resnet.py:34)  = 
RestoreV2[dtypes=[DT_FLOAT, DT_FLOAT, DT_FLOAT, DT_FLOAT, DT_FLOAT, ...,
DT_FLOAT, DT_FLOAT, DT_FLOAT, DT_FLOAT, DT_FLOAT], _device="/job:localhost
/replica:0/task:0/device:CPU:0"](_arg_save/Const_0_0, save/RestoreV2
/tensor_names, save/RestoreV2/shape_and_slices)]]

这是我尝试加载模型时使用的代码：

import numpy as np
import tensorflow as tf
import resnet_v1

# Restore variables of resnet model
slim = tf.contrib.slim

# Paths
network_dir = "home/resnet_v1_50.ckpt"

# Image dimensions
in_width, in_height, in_channels = 224, 224, 3

# Placeholder
X = tf.placeholder(tf.float32, [None, in_width, in_height, in_channels])

# Define network graph
logits, activations = resnet_v1.resnet_v1_50(X, is_training=False)
prediction = tf.argmax(logits, 1)

with tf.Session() as sess:
    variables_to_restore = slim.get_variables_to_restore()
    saver = tf.train.Saver(variables_to_restore)
    saver.restore(sess, network_dir) 

    # Restore variables
    variables = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES)

    # Feed random image into resnet
    img = np.random.randn(1, in_width, in_height, in_channels)
    pred = sess.run(prediction, feed_dict={X:img})

---

谁能告诉我，为什么它不起作用？如何更改代码以使其运行？

也许您可以从中使用ResNet50

根据错误，如果您没有以任何方式更改图形，并且这是您的全部源代码，那么调试可能非常非常困难

如果你选择理智的方式，你可以这样做：

import tensorflow

in_width, in_height, in_channels = 224, 224, 3

pretrained_resnet = tensorflow.keras.applications.ResNet50(
    weights="imagenet",
    include_top=False,
    input_shape=(in_width, in_height, in_channels),
)

# You can freeze some layers if you want, depends on your task
# Make "top" (last 3 layers below) whatever fits your task as well

model = tensorflow.keras.models.Sequential(
    [
        pretrained_resnet,
        tensorflow.keras.layers.Flatten(),
        tensorflow.keras.layers.Dense(1024, activation="relu"),
        tensorflow.keras.layers.Dense(10, activation="softmax"),
    ]
)

print(model.summary())

现在推荐使用这种方法，特别是考虑到即将推出的Tensorflow 2.0的合理性和可读性。 顺便说一句，该模型与Tensorflow提供的模型相同，它是从IIRC中转移过来的

您可以在链接文档和各种博客文章（如或其他web资源）中阅读更多关于

tf.keras.applications

我在凯拉斯该怎么办 回答评论中的问题

• 如何将图像传递到网络？

  ：如果要进行预测，请使用

  model.predict（image）

  ，其中image是

  np.array

  。就这么简单

• 如何获取权重？

  ：嗯，这个更复杂。。。开玩笑吧，每个层都有

  .get_weights（）

  方法，该方法返回其权重和偏差，您可以使用

  对模型中的层进行迭代。layers（）

  。您可以使用

  模型一次获取所有权重。还可以获取权重（）
  

总之，您将学习Keras，并在比调试此问题更短的时间内比使用Tensorflow更高效。他们这样做是有原因的

顺便说一句。Tensorflow默认提供Keras，因此，Tensorflow的Keras风味是Tensorflow的一部分（无论听起来多么混乱）。这就是为什么我在示例中使用了

tensorflow

使用Tensorflow的Hub解决方案

---

您似乎可以按照中所述使用Hub加载和微调Resnet50。

我只是使用原始源代码加载了图形，而没有对图形做任何更改（我希望至少如此）。我不熟悉Keras，因此只想使用Tensorflow。如何将图像传递到网络？我还需要访问所有层的所有权重、偏差和激活。我如何使用Keras做到这一点？更新了我的答案。Keras不是Tensorflow，因此您可以学习它，使用它，它不会进入您的方式+有一个直观的API。哦，你可以使用convert Keras的模型，将其转换为tf.Estimator，如果你真正想要的是tf.Estimator。