Python TensorFlow：如何将图像解码器节点添加到图形中？

我有一个作为冻结图的tensorflow模型，它接受图像张量作为输入。但是，我想在这个图中添加一个新的输入图像解码器节点，以便模型也接受jpg图像的编码字节字符串，并最终自行解码图像。到目前为止，我已经尝试过这种方法：

model = './frozen_graph.pb'

with tf.gfile.FastGFile(model, 'rb') as f:

    # read graph
    graph_def = tf.GraphDef()
    graph_def.ParseFromString(f.read())
    tf.import_graph_def(graph_def, name="")
    g = tf.get_default_graph()

    # fetch old input
    old_input = g.get_tensor_by_name('image_tensor:0')

    # define new input
    new_input = graph_def.node.add()
    new_input.name = 'encoded_image_string_tensor'
    new_input.op = 'Substr'
    # add new input attr
    image = tf.image.decode_image(new_input, channels=3)

    # link new input to old input
    old_input.input = 'encoded_image_string_tensor'  #  must match with the name above

上述代码返回此异常：

Expected string passed to parameter 'input' of op 'Substr', got name: "encoded_image_string_tensor" op: "Substr"  of type 'NodeDef' instead.

我不太确定是否可以在图形中使用

tf.image.decode\u image

，因此可能有另一种方法来解决这个问题。有人得到提示吗？

多亏了，他给了我一个很好的提示，我才解决了这个问题。使用

input\u map

参数，我成功地将一个新的图形（仅解码jpg图像）映射到原始图形的输入（此处：

node.name='image\u tensor:0'

）。只需确保重命名解码器图的

名称\u范围

（此处：

解码器

）。 之后，可以使用tensorflow SavedModelBuilder保存新的连接图

这里是对象检测网络的示例：

将tensorflow导入为tf
从tensorflow.python.saved_model导入签名_常量
从tensorflow.python.saved_model导入标记_常量
#导出路径包含模型的名称和版本
model='path/to/model.pb'
导出路径='。/output/dir/'
sigs={}
将tf.gfile.FastGFile（型号“rb”）作为f：
使用tf.name_作用域（“解码器”）：
image\u str\u tensor=tf.placeholder（tf.string，shape=[None]，name='encoded\u image\u string\u tensor'）
#CloudML预测API始终使用
#动态批量大小，例如（？，）。仅解码jpeg处理标量
#字符串，因为它不能保证一批图像
#相同的输出大小。我们使用tf.map\u fn给decode\u jpeg一个标量
#来自动态批处理的字符串。
def解码和调整大小（图像张力张量）：
“”“解码jpeg字符串，调整其大小并返回uint8张量。”“”
image=tf.image.decode\u jpeg（image\u str\u张量，通道=3）
#在此处执行其他图像操作（如调整大小等）
image=tf.cast（image，dtype=tf.uint8）
返回图像
image=tf.map\fn（解码并调整大小，image\u str\u张量，back\u prop=False，dtype=tf.uint8）
使用tf.name_范围（'net'）：
#加载.pb文件
graph_def=tf.GraphDef（）
graph_def.ParseFromString（f.read（））
#连接解码器图和原始图
tf.import_graph_def（graph_def，name=”“，input_map={'image_张量：0'：image}）
g=tf.get_default_graph（）
使用tf.Session（）作为sess：
#将图形加载到会话并保存到新的.pb文件
#定义模型输入
inp=g.get\u tensor\u by\u name（'解码器/编码的\u图像\u字符串\u tensor:0'）
#定义模型输出
num_detections=g.get_tensor_by_name（'num_detections:0'））
检测分数=g.通过名称获取张量（'检测分数：0'）
detection\u Box=g.get\u tensor\u by\u name（'detection\u Box:0'））
out={'num_detections'：num_detections，'detection_scores'：detection_scores，'detection_box'：detection_box}
builder=tf.saved\u model.builder.SavedModelBuilder（导出路径）
张量信息输入={
“输入”：tf.saved\u model.utils.build\u tensor\u info（inp）}
张量信息输出={}
对于k，v in out.items（）：
张量信息输出[k]=tf.saved\u model.utils.build\u张量信息（v）
#为tensorflow服务分配检测签名
检测\u签名=(
tf.saved_model.signature_def_utils.build_signature_def(
输入=张量信息输入，
输出=张量信息输出，
方法\名称=签名\常数。预测\方法\名称）
#“构建”图
builder.add_meta_graph_和_变量(
sess，[tf.saved_model.tag_constants.service]，
签名定义图={
“检测/签名”：
检测和签名，
签名\常量。默认值\服务\签名\定义\密钥：
检测和签名，
},
main_op=tf.tables_初始值设定项（）
)
#保存图形
builder.save（）

我用来找到正确解决方案的来源：

此外： 如果难以找到正确的输入和输出节点，可以运行此命令以显示图形：

graph\u op=g.get\u操作（）
对于图_op中的i：
打印（i.node_def）

我不确定我是否完全理解您想要做什么，但有一个

input\u map

参数，您可以将图形中的现有节点映射到图形定义中的节点。这将允许您更改输入数据进入图形的方式。