Python Tensorflow冻结图protobuf不能使用c api进行预测

我使用tensorflow c API编写了一个小型库，并尝试使用该网络来训练语义切分模型，取得了良好的效果。我使用以下代码将keras模型转换为protobuf文件并运行会话：

typedef结构模型{
TF_图*图；
工作队会议*会议；
TF_状态*状态；
TF_输出输入、目标、输出；
TF操作*初始操作，*训练操作，*保存操作，*恢复操作；
TF_输出检查点_文件；
}模型t；
typedef结构NetProperties{
整数宽度；
内部高度；
国际边界；
int类；
int输入大小；
}网络财产；
静态模型_t*模型；
静态NetProperties*属性；
外部“C”导出int模型创建（常量字符*nnFilename，常量字符*inputName，常量字符*outputName，int pictureWidth，int picturewheight，int边框，int类）{
ModelDestroy（）；
model=（model_t*）malloc（sizeof（model_t））；；
模型->状态=TF_NewStatus（）；
model->graph=TF_NewGraph（）；
properties=（NetProperties*）malloc（sizeof（NetProperties））；
属性->宽度=图片宽度；
属性->高度=图片高度；
属性->边框=边框；
属性->类=类；
属性->输入大小=（图片宽度+边框*2）*（图片高度+边框*2）*3；
{
//创建会话。
TF_SessionOptions*opts=TF_NewSessionOptions（）；
model->session=TF_NewSession（model->graph，opts，model->status）；
TF_删除会话选项（opts）；
如果（！OK（型号->状态））返回0；
}
TF_图*g=模型->图；
{
//导入图形。
TF_Buffer*graph_def=读取文件（nnFilename）；
if（graph_def==NULL）返回0；
printf（“读取%zu字节的图形定义”，图形定义->长度）；
TF_ImportGraphDefOptions*opts=TF_NewImportGraphDefOptions（）；
TF_GraphImportGraphDef（g，graph_def，opts，model->status）；
TF_DeleteImportGraphDefOptions（opts）；
TF_DeleteBuffer（图形_def）；
如果（！OK（型号->状态））返回0；
}
//图中有趣操作的句柄。
model->input.oper=TF_graphhoperationbyname（g，inputName）；
模型->输入.index=0；
model->target.oper=TF_GraphOperationByName（g，“target”）；
模型->目标.index=0；
model->output.oper=TF_graphhoperationbyname（g，outputName）；
模型->输出.index=0；
model->init_op=TF_graphhoperationbyname（g，“init”）；
模型->列车运行=TF\U图形运行名称（g，“列车”）；
model->save_op=TF_graphhoperationbyname（g，“保存/控制依赖项”）；
model->restore_op=TF_graphhoperationbyname（g，“保存/恢复全部”）；
model->checkpoint_file.oper=TF_GraphOperationByName（g，“save/Const”）；
model->checkpoint_file.index=0；
//第一个预测很慢
unsigned char*randomData=（unsigned char*）malloc（properties->inputSize*sizeof（unsigned char））；
对于（inti=0；iinputSize；i++）{
随机数据[i]=（无符号字符）100；
}
模型预测（随机数据）；
免费（随机数据）；
返回1；
}
外部“C”导出无效模型销毁（）{
if（model==nullptr）返回；
TF_删除会话（模型->会话，模型->状态）；
好（型号->状态）；
TF_DeleteGraph（模型->图形）；
TF_删除状态（型号->状态）；
免费（模型）；
}
外部“C”导出无符号字符*模型预测（无符号字符*批处理1）{
if（model==NULL）返回NULL；
const int64_t dims[4]={1，属性->高度+属性->边框*2，属性->宽度+属性->边框*2，3}；
大小字节=属性->输入大小；
//可以更快
float*arrayOfFloats=（float*）malloc（n字节*sizeof（float））；
//浮点数总和=0；
对于（inti=0；iinputSize；i++）{
arrayOfFloats[i]=batch1[i]*（1.f/255.f）；
//总和+=阵列浮点数[i]；
}
//std:：cout output.oper；
TF_Output_opout={Output_op，0}；
输出。推回（输出输出）；
//创建TF_张量*向量
//std:：vector output_值（outputs.size（），nullptr）；
//类似于创建输入张量，但是这里我们还没有
//输出值，因此我们使用TF_allocateSensor（）
TF_张量*输出值=TF_分配器传感器（TF_浮点，out_dims，4，outputSize*sizeof（浮点））；
//输出值。推回（输出值）；
////与输入一样，检查输出操作和输出张量的值
//std:：coutinputsize/3*属性->类）；
无符号字符*charPrediction=新的无符号字符[outputSize*sizeof（无符号字符）]；
总和=0；
对于（int i=0；i//std：：cout我认为您没有正确设置输入数据。让我们看看

float * arrayOfFloats1 = (float*)malloc(nbytes * sizeof(float));
float sumUp = 0;

在这里，您可以创建
arrayOfFloats1
来保存所有图像数据

for (int i = 0; i < properties->inputSize; i++) {
    arrayOfFloats1[i] = batch1[i] * (1.f / 255.f);
    sumUp += arrayOfFloats1[i];
}
std::cout << sumUp << std::endl;

这里有
inputFloats
，它为
nbytes
浮点指针分配空间。首先，您可能希望为浮点值分配空间，而不是浮点指针（可能大小不同）。然后：

inputFloats[0] = arrayOfFloats1;

在这里，您将第一个
nbytes
指针设置为指向指针
arrayOfFloats1
。然后
inputFloats
被用作模型的输入。但是剩余的
nbytes-1
指针尚未设置为任何值。虽然不是必需的，但它们可能都设置为零

如果您只想使用
arrayOfFloats1
创建一个“浮动数组数组”，则无需分配任何内存，只需执行以下操作：

float ** inputFloats = &arrayOfFloats1;

但实际上，您使用的是
inputfloat
，如下所示：

TF_Tensor* input = TF_NewTensor(
    TF_FLOAT, dims, 4, (void*)inputFloats, nbytes * sizeof(float), &Deallocator, NULL);

所以这里您是说，
input
由
inputFloats
中的数据组成，它将是指向
arrayOfFloats1
的指针，然后是未初始化的内存。可能您实际上想要的是：

TF_Tensor* input = TF_NewTensor(
    TF_FLOAT, dims, 4, (void*)arrayOfFloats1, nbytes * sizeof(float), &Deallocator, NULL);

这意味着
inputTF_Tensor* input = TF_NewTensor(
    TF_FLOAT, dims, 4, (void*)inputFloats, nbytes * sizeof(float), &Deallocator, NULL);

TF_Tensor* input = TF_NewTensor(
    TF_FLOAT, dims, 4, (void*)arrayOfFloats1, nbytes * sizeof(float), &Deallocator, NULL);