Python 在Tensorflow C+中为占位符张量输入值+；美国石油学会

我使用（Tensorflow）Python API重新培训了Inception-v3模型，并通过修改Tensorflow/Tensorflow/examples/image_Retaining/Retain.py，在分类层之前添加了一个退出层，在.pb中保存了一个独立的图形：

def nn_layer(input_tensor, input_dim, output_dim, layer_name, activation_name='activation', act=tf.nn.softmax):
# Adding a name scope ensures logical grouping of the layers in the graph.
with tf.name_scope(layer_name):
# This Variable will hold the state of the weights for the layer
with tf.name_scope('weights'):
weights = weight_variable([input_dim, output_dim])
variable_summaries(weights, layer_name + '/weights')
with tf.name_scope('dropout'):
keep_prob = tf.placeholder(tf.float32)
tf.scalar_summary('dropout_keep_probability', keep_prob)
drop = tf.nn.dropout(input_tensor, keep_prob)
variable_summaries(drop, layer_name + '/dropout')
with tf.name_scope('biases'):
biases = bias_variable([output_dim])
variable_summaries(biases, layer_name + '/biases')
preactivate = tf.matmul(drop, weights) + biases
tf.histogram_summary(layer_name + '/pre_activations', preactivate)
with tf.name_scope(activation_name):
activations = act(preactivate)
tf.histogram_summary(layer_name + '/activations', activations)
return preactivate, activations, keep_prob

用python生成预测的代码如下：

softmax_tensor = sess.graph.get_tensor_by_name('final_layer/final_result/Softmax:0')
predictions = sess.run(softmax_tensor, { 'DecodeJpeg/contents:0':image_data, 'final_layer/dropout/Placeholder:0': 1.})

string input_layer = "Mul";
string output_layer = "final_layer/dropout/Placeholder:0";
Status run_status = session->Run({{input_layer, resized_tensor}}, {output_layer}, {}, &outputs);

< Python代码的C++对应关系如下：

softmax_tensor = sess.graph.get_tensor_by_name('final_layer/final_result/Softmax:0')
predictions = sess.run(softmax_tensor, { 'DecodeJpeg/contents:0':image_data, 'final_layer/dropout/Placeholder:0': 1.})

string input_layer = "Mul";
string output_layer = "final_layer/dropout/Placeholder:0";
Status run_status = session->Run({{input_layer, resized_tensor}}, {output_layer}, {}, &outputs);

C++代码以以下错误消息结尾：

Running model failed: Invalid argument: You must feed a value for placeholder tensor 'final_layer/dropout/Placeholder'

---

<>上述C++代码中我应该更改什么来删除这个错误？换句话说，如何在Python代码中更改C++代码中的占位符值。我陷入这个问题已经很多天了。任何帮助都将被高度赞赏。

< P>你的C++代码不是你的Python代码的对应部分。 在python中，您得到了

softmax_tensor = sess.graph.get_tensor_by_name('final_layer/final_result/Softmax:0')
predictions = sess.run(softmax_tensor, { 'DecodeJpeg/contents:0':image_data, 'final_layer/dropout/Placeholder:0': 1.})

因此，您的

提要内容是
{'DecodeJpeg/contents:0'：图像数据，'final\u layer/dropout/Placeholder:0'：1.}

这意味着：用
image\u data
覆盖
DecodeJpeg/contents:0的值，用
1覆盖
final\u layer/dropout/Placeholder:0的值。

在C++中，你得到：

Status run_status = session->Run({{input_layer, resized_tensor}}, {output_layer}, {}, &outputs);

这是您的
feed\u dict
等价物的第一个输入参数，即：

{{input_layer, resized_tensor}}

这意味着：使用调整大小的张量
覆盖
输入层

第一个问题是您正在尝试覆盖节点
Mul
，而不是如上所述的节点
DecodeJpeg/contents:0

此外，缺少对占位符的覆盖

<>但是，你的C++代码有一些混乱，因为你调用了<代码> OutPuthPosiths<代码>什么其实是<代码>占位符< /C> > /<
TL；博士
对应的Python代码应该是

Status run_status = session->Run({
    {"DecodeJpeg/contents", resized_tensor},
    {"final_layer/dropout/Placeholder", 1f}
}, {"final_layer/final_result/Softmax"}, {}, &outputs);

这意味着：

使用
resize\u tensor
覆盖
DecodeJpeg/contents
的节点值。
用1覆盖
final_layer/dropout/Placeholder
的节点值

获取节点的值
final\u layer/final\u result/Softmax
。
将结果放入输出
> P>你的C++代码不是你的Python代码的对应部分。
在python中，您得到了

softmax_tensor = sess.graph.get_tensor_by_name('final_layer/final_result/Softmax:0')
predictions = sess.run(softmax_tensor, { 'DecodeJpeg/contents:0':image_data, 'final_layer/dropout/Placeholder:0': 1.})

因此，您的
提要内容是
{'DecodeJpeg/contents:0'：图像数据，'final\u layer/dropout/Placeholder:0'：1.}

这意味着：用
image\u data
覆盖
DecodeJpeg/contents:0的值，用
1覆盖
final\u layer/dropout/Placeholder:0的值。

在C++中，你得到：

Status run_status = session->Run({{input_layer, resized_tensor}}, {output_layer}, {}, &outputs);

这是您的
feed\u dict
等价物的第一个输入参数，即：

{{input_layer, resized_tensor}}

这意味着：使用调整大小的张量
覆盖
输入层

第一个问题是您正在尝试覆盖节点
Mul
，而不是如上所述的节点
DecodeJpeg/contents:0

此外，缺少对占位符的覆盖

<>但是，你的C++代码有一些混乱，因为你调用了<代码> OutPuthPosiths<代码>什么其实是<代码>占位符< /C> > /<
TL；博士
对应的Python代码应该是

Status run_status = session->Run({
    {"DecodeJpeg/contents", resized_tensor},
    {"final_layer/dropout/Placeholder", 1f}
}, {"final_layer/final_result/Softmax"}, {}, &outputs);

这意味着：

使用
resize\u tensor
覆盖
DecodeJpeg/contents
的节点值。
用1覆盖
final_layer/dropout/Placeholder
的节点值

获取节点的值
final\u layer/final\u result/Softmax
。
将结果放入
输出中