Python Tensorflow：将导入的图形操作应用于2d tensor的每个元素

有一些问题回答了我的部分问题，但我无法将这些问题联系起来。 假设我有一个只在2个元素的1d数组上运行的图

input = tf.placeholder(tf.float32, [2], name="input")

我想构建一个可以接收任意长2d数组的图，并在上面运行第一个图

 x = tf.placeholder(tf.float32, [None, 2], name = 'x')

我知道如何导入第一个图形（tf.import\u graph\u def），以及如何使用

tf.map\u fn

在数组上运行一些操作。但是我怎样才能把两者结合起来呢？ 对于网络的每次运行，我都需要传递不同的输入。但是映射是在tf.import_graph_def内完成的。我应该每次在循环中调用的函数中进行导入吗？听起来不对

下面的代码有效，但我相信有更好的方法：

with tf.Graph().as_default() as g_1:
input = tf.placeholder(tf.float32, [2], name="input")
y = tf.add(input[0], input[1])
output = tf.identity(y, name="output")

gdef_1 = g_1.as_graph_def()

tf.reset_default_graph()
with tf.Graph().as_default() as g_combined:
    x = tf.placeholder(tf.float32, [None, 2], name = 'x')

    def calc_z(el):
        y, = tf.import_graph_def(gdef_1, input_map={"input:0": el},
                               return_elements=["output:0"])
        return y

    final_result = tf.map_fn(calc_z, x)

    init = tf.global_variables_initializer()

with tf.Session(graph=g_combined) as sess:
    # For tensorboard
    # run it as tensorboard --logdir=graphs
    writer = tf.summary.FileWriter('./graphs', sess.graph)
    # Run the initializer
    sess.run(init)
    print(sess.run([final_result], feed_dict = {x:[[1,2],[3,4],[5,6]]}))
    writer.close()

更新：我试图获得相同的结果，但保持导入的图形可训练，但没有做到。

import\u meta\u graph

的return\u elements参数似乎被忽略，只返回了saver。然后调用restore失败，并出现错误

不能输入张量张量（“map/while/save/Const:0”，shape=（），dtype=string） 我正在使用下面的代码：

---

您当前的解决方案实际上已经很好了。当构建

g_combined

时，图形仅导入一次，而不是在

x

中的每个元素导入一次，因此它会执行您想要的操作

如果您有一个元图，它应该与类似，因为

input\u map

和

return\u elements

也应该与它一起使用（注意，此函数也会返回导入的保护程序）。但是，您也可以将元图导入另一个图中，将其冻结（例如使用），然后将该图def导入到最终的图中

import tensorflow as tf

meta_graph_path = ...
meta_graph_save_path = ...
with tf.Graph().as_default() as g_meta_import, tf.Session() as sess:
    saver = tf.train.import_meta_graph(meta_graph_path)
    saver.restore(sess, meta_graph_save_path)
    frozen_graph = tf.graph_util.convert_variables_to_constants(
        sess, tf.get_default_graph().as_graph_def(), 'output')

with tf.Graph().as_default() as g_combined:
    x = tf.placeholder(tf.float32, [None, 2], name = 'x')
    def calc_z(el):
        y, = tf.import_graph_def(frozen_graph, input_map={'input:0': el},
                                 return_elements=['output:0'])
        return y
    final_result = tf.map_fn(calc_z, x)
    init = tf.global_variables_initializer()

---

此解决方案的唯一缺点是，导入的零件显然将被冻结，无法进行培训。

我认为您当前的代码非常好。在

x

中，每个元素不会重新导入图形一次，

calc\u z

实际上只调用一次，

gdef\u 1

导入一次，并在

g\u combined

中连接，因此

tf.map\u fn

中的每次迭代都使用导入的图形。请注意，

tf.import\u graph\u def

实际上并不是图形操作中的TensorFlow。谢谢！实际上，我的问题涉及一个元图，它是预先训练的。我试图在map函数中调用import\u meta\u graph，但这不起作用。我该怎么办？（可能会发布一个单独的问题？）这是另一种情况，但在查看源代码时，我认为应该是一样的（不同的是，

import\u meta\u graph

将返回一对保存程序和

return\u元素

张量）。。。您也可以在单独的图中导入元图，将其冻结，然后像现在一样导入冻结的graphdef，但是导入的元图将不再是可训练的。请在此或在其他问题中详细说明您在导入元图时面临的问题。非常感谢！冻结和导入似乎有效，我正在验证！如果您愿意，请将其作为答案发布，以便我可以接受。现在我意识到，在某些情况下，我需要导入的图形是可训练的。我尝试了您使用import\u meta\u图形的想法，但失败了。首先，return\u elements参数似乎未被处理（我使用的是v1.15），只返回了saver。然后还原失败，出现错误“Tensor（“map/while/save/Const:0”，shape=（），dtype=string）可能无法馈送”。我把代码贴在了邮件的正文里question@MosheKravchik嗯，我不确定这些错误是从哪里来的。不过还是有一些想法。如果

return\u elements

无法使用

import\u meta\u graph

，您应该仍然能够使用类似

tf.get\u default\u graph（）.get\u operation\u by_name（'yy'）。输出[0]

（或者

'import/yy'

，如果您没有指定范围，我不确定这是否是默认值）。关于恢复，在一个会话中执行

saver.restore

，然后完成该会话并打开一个新会话，这是没有意义的。我只会在您实际使用的第二个会话上调用

restore

。@MosheKravchik关于错误，不确定这是否有意义，但您是否尝试将

import\u scope='

传递到

import\u meta\u graph

？我不确定它是否会在默认情况下为导入的操作名添加一些前缀，这会导致保存程序找不到变量（我认为这不是错误，只是以防万一）。确实可以获得

yy

。我将恢复移动到第二个会话，不幸的是，这没有任何区别，我仍然得到了可能无法输入的

张量（“map/while/save/Const:0”，shape=（），dtype=string）

错误：-（@MosheKravchik抱歉，我不知道这一错误的原因是什么，也许可以尝试发布一个新问题，以防其他人可能会帮助你。。。

import tensorflow as tf

meta_graph_path = ...
meta_graph_save_path = ...
with tf.Graph().as_default() as g_meta_import, tf.Session() as sess:
    saver = tf.train.import_meta_graph(meta_graph_path)
    saver.restore(sess, meta_graph_save_path)
    frozen_graph = tf.graph_util.convert_variables_to_constants(
        sess, tf.get_default_graph().as_graph_def(), 'output')

with tf.Graph().as_default() as g_combined:
    x = tf.placeholder(tf.float32, [None, 2], name = 'x')
    def calc_z(el):
        y, = tf.import_graph_def(frozen_graph, input_map={'input:0': el},
                                 return_elements=['output:0'])
        return y
    final_result = tf.map_fn(calc_z, x)
    init = tf.global_variables_initializer()