Python 如何使用来自Google AutoML Vision Classification的TensorFlow冻结GraphDef（single saved_model.pb）进行推理和迁移学习
我使用的是从Google AutoML Vision导出的分类模型，因此我只有一个Python 如何使用来自Google AutoML Vision Classification的TensorFlow冻结GraphDef（single saved_model.pb）进行推理和迁移学习,python,tensorflow,tensor,transfer-learning,google-cloud-automl,Python,Tensorflow,Tensor,Transfer Learning,Google Cloud Automl,我使用的是从Google AutoML Vision导出的分类模型，因此我只有一个保存的\u model.pb，没有变量、检查点等。 我想将此模型图加载到本地TensorFlow安装中，使用它进行推理，并继续使用更多图片进行培训 主要问题： 该计划是否可行，即使用单个保存的\u model.pb而不使用变量、检查点等，并使用新数据训练生成的图形？ 如果是：如何使用编码为字符串的图像获得（？，）的输入形状？ 理想，展望：训练部分要考虑的重要事项？ 关于代码的背景信息： 为了读取图像，我使用
保存的\u model.pb- 该计划是否可行，即使用单个
而不使用变量、检查点等，并使用新数据训练生成的图形？保存的\u model.pb - 如果是：如何使用编码为字符串的图像获得
的输入形状？（？，）
理想，展望：训练部分要考虑的重要事项？
关于代码的背景信息：
- 为了读取图像，我使用了与使用Docker容器进行推断时相同的方法，因此使用base64编码图像
- 要加载图形，我通过CLI（
）检查了图形所需的标记集，即saved\u model\u CLI show--dir input/modelservice - 为了获取输入张量名称，我使用了
，它为图像字节提供了graph.get\u operations（）
，为键提供了占位符：0
（只需标识图像的任意字符串）。两者都有维度占位符：1\u 0dim-1
将tensorflow导入为tf
将numpy作为np导入
导入base64
path_img=“input/testimage.jpg”
path\u mdl=“输入/模型”
#网络输入应为base64编码图像
将io.open（path_img，'rb'）作为图像文件：
encoded_image=base64.b64编码（image_file.read（））.decode（'utf-8'）
#当预期尺寸为（？，）时，重塑为（1，）
馈送命令选项1={
占位符：0:{np.array（str（encoded_image））.resforme（1，）}，
占位符\u 1:0:“图像\u键”
}
#当预期尺寸为（？，）时，重塑为（1,1）
馈送命令选项2={
“占位符：0”：np.数组（str（编码的_图像））.重塑（1,1），
占位符\u 1:0:“图像\u键”
}
使用tf.Session（graph=tf.graph（））作为sess：
tf.saved_model.loader.load（sess，[“service”]，path_mdl）
graph=tf.get\u default\u graph（）
成绩运行（'分数：0'，
提要内容=提要内容选项1）
成绩运行（'分数：0'，
提要内容=提要内容选项2）
#用于将输入整形为（1，）
ValueError:无法为具有形状“（？，）”的张量“占位符：0”提供形状（1，）的值
#对于重塑为（1,1）的输入
ValueError:无法为张量“占位符：0”提供形状（1，1）的值，该张量具有形状“（？，）”
（？，）非常感谢。是的！有可能，我有一个应该类似的对象检测模型，我可以在tensorflow 1.14.0中运行它，如下所示：
import cv2
cv2.imread(filepath)
flag, bts = cv.imencode('.jpg', img)
inp = [bts[:,0].tobytes()]
out = sess.run([sess.graph.get_tensor_by_name('num_detections:0'),
sess.graph.get_tensor_by_name('detection_scores:0'),
sess.graph.get_tensor_by_name('detection_boxes:0'),
sess.graph.get_tensor_by_name('detection_classes:0')],
feed_dict={'encoded_image_string_tensor:0': inp})
import cv2
cv2.imread(filepath)
flag, bts = cv.imencode('.jpg', img)
inp = [bts[:,0].tobytes()]
saved_model_dir = '.'
loaded = tf.saved_model.load(export_dir=saved_model_dir)
infer = loaded.signatures["serving_default"]
out = infer(key=tf.constant('something_unique'), image_bytes=tf.constant(inp))
另外
保存的\u模型。pb冻结的\u推理图。pbnp.Array[…]base64.b64encodecv2.imreadcv2.imencode