Python 初始：不同的输入图像提供相同的输出

我有一个问题，我不明白为什么我的初始模型输出相同的输出（logits中的相同小数），即使输入完全不同。我已经用许多不同的图像在许多情况下测试过这一点，所以我怀疑这是人为错误

图1：

图2：

两种打印输出：OrderedDict（[（'land_animal'，0.6572174647365759）]）

使用inception模型的代码如下：

import tensorflow as tf
import inception_base_model
import math
from datetime import datetime
from image_processing import ImageProcessing
import numpy as np
from collections import OrderedDict
from lib.inception_model import inception_base_model as inception


class InceptionOutput(object):
  def __init__(self, checkpoint_dir):
    self.checkpoint_dir = checkpoint_dir

  def output(self, image, num_classes, vocab, threshold=0.5):
    with tf.Session() as sess:
      img_processing = ImageProcessing()
      image = img_processing.process_image(image)
      logits, endpoints = inception_base_model.inception_v3(image, num_classes=num_classes, is_training=False, restore_logits=False)
      sess.run(tf.global_variables_initializer())
      ckpt = tf.train.get_checkpoint_state(self.checkpoint_dir)
      if ckpt:
        variable_averages = tf.train.ExponentialMovingAverage(
          inception.MOVING_AVERAGE_DECAY)
        variables_to_restore = variable_averages.variables_to_restore()
        restorer = tf.train.Saver(variables_to_restore)
        checkpoint_path = ckpt.model_checkpoint_path
        restorer.restore(sess, checkpoint_path)
        print('%s: Pre-trained model restored from %s' %
              (str(datetime.now()), str(checkpoint_path)))

        # Assuming model_checkpoint_path looks something like:
        #   /my-favorite-path/imagenet_train/model.ckpt-0,
        # extract global_step from it.
        global_step = ckpt.model_checkpoint_path.split('/')[-1].split('-')[-1]
        print('Succesfully loaded model from %s at step=%s.' %
              (ckpt.model_checkpoint_path, global_step))
      else:
        print('No checkpoint file found')
      logits = sess.run(logits)
      return self.get_top_dict(logits[0], vocab, threshold)

  def get_top_dict(self, output_logits, rev_target_vocab, threshold):
    trans_confidence_dict = OrderedDict()
    temp = np.argsort(output_logits)
    top_logit_indices = temp[-5:]
    for logit_index in top_logit_indices:
      if logit_index == 0:
        continue
      # Numpy array has one element. Inside that element is a list of logits for vocab
      trans_logit = output_logits[logit_index]
      #Continue with if the logit index does not exist
      if len(rev_target_vocab) <= logit_index:
        continue
      trans = tf.compat.as_str(rev_target_vocab[logit_index - 1])
      # Faster than tensorflow's sigmoid.
      confidence = 1.0 / (1.0 + math.exp(-trans_logit))
      if (trans not in trans_confidence_dict and confidence >= threshold) or \
        (trans in trans_confidence_dict and confidence > trans_confidence_dict[trans]):
        # Add confidence and translation to dictionary if the key has higher confidence or
        # if the key doesn't exist in dictionary.
        trans_confidence_dict[trans] = confidence
    return trans_confidence_dict

将tensorflow导入为tf
导入初始\基础\模型
输入数学
从日期时间导入日期时间
从图像处理导入图像处理
将numpy作为np导入
从集合导入订单
从lib.inception\u model导入inception\u base\u model作为inception
类接收输出（对象）：
定义初始化（自我，检查点目录）：
self.checkpoint\u dir=检查点\u dir
def输出（self、image、num_类、vocab、threshold=0.5）：
使用tf.Session（）作为sess：
img_processing=ImageProcessing（）
图像=图像处理。处理图像（图像）
logits，endpoints=inception\u base\u model.inception\u v3（image，num\u classes=num\u classes，is\u training=False，restore\u logits=False）
sess.run（tf.global\u variables\u initializer（））
ckpt=tf.train.get\u checkpoint\u状态（self.checkpoint\u dir）
如果ckpt：
变量平均值=tf.train.ExponentialMovingAverage(
初始阶段。移动平均（衰减）
变量到还原=变量到平均值。变量到还原（）
restorer=tf.train.Saver（变量到restore）
检查点路径=ckpt.model\u检查点路径
restore.restore（sess、检查点路径）
打印（“%s:从%s”还原的预训练模型%
（str（datetime.now（）），str（checkpoint_path）））
#假设模型检查点路径如下所示：
#/my favorite path/imagenet\u train/model.ckpt-0，
#从中提取全局步骤。
全局_step=ckpt.model_checkpoint_path.split（'/'）[-1]。split（'-'）[-1]
打印（'在步骤%s处从%s成功加载模型。%
（ckpt.model_checkpoint_path，global_step））
其他：
打印（'未找到检查点文件'）
logits=sess.run（logits）
返回self.get_top_dict（logits[0]，vocab，阈值）
def get_top_dict（自我、输出、目标、阈值）：
trans\u confidence\u dict=orderedict（）
temp=np.argsort（输出逻辑）
top_logit_指数=温度[-5:]
对于顶级登录索引中的登录索引：
如果logit_index==0：
持续
#Numpy数组有一个元素。在该元素中是vocab的logit列表
trans\u logit=输出\u logits[logit\u索引]
#如果logit索引不存在，请继续
如果len（rev_target_vocab）可能的话？我想他使用了graph，我尝试了tensor和numpy，但最后都给出了相同的结果