Python keras预先训练的模型提供了一个新的输入占位符

我有一个受过训练的模特。像这样

model_inceptionv3_conv = InceptionV3(weights='imagenet', include_top=False)
for layer in model_inceptionv3_conv.layers:
    layer.trainable = False
x = model_inceptionv3_conv.output
x = GlobalAveragePooling2D()(x)
predictions = Dense(NB_CLASSES, activation='sigmoid', name='predictions')(x)
my_model = Model(inputs=model_inceptionv3_conv.input, outputs=predictions)
my_model.fit(...)

现在，我不想给这个模型提供占位符，但发生了一些未初始化的值。此代码preds=model（x）是否将生成新的图形

x = tf.placeholder(tf.float32, shape=(None, 299, 299,
                                          3))
preds = model(x)
sess.run(preds, feed_dict={x: x_val})

错误 FailedPremissionError:尝试使用未初始化值批处理\u规范化\u 86/移动\u表示……

您的错误如下：

preds = my_model(x)

应该是：

preds = my_model.predict(x)

以下是一个工作示例：

NB_CLASSES = 2
model_inceptionv3_conv = InceptionV3(weights='imagenet', include_top=False)
for layer in model_inceptionv3_conv.layers:
    layer.trainable = False
x = model_inceptionv3_conv.output
x = GlobalAveragePooling2D()(x)
predictions = Dense(NB_CLASSES, activation='softmax', name='predictions')(x)
my_model = Model(inputs=model_inceptionv3_conv.input, outputs=predictions)
test_img = np.random.rand(1,299,299,3)
preds = my_model.predict(test_img)

---

玩得开心

如果要获得梯度d（preds）/d（x），可以使用

K.gradients

并将其封装到

K.function

从tensorflow.keras导入后端为K
grad=K.梯度（my_model.output，my_model.input）
get_grad=K.函数（my_model.input，grad）
测试数据=np.random.rand（1299299,3）
res\u grad=获取（测试\u img）

如果要在图形中添加新的占位符，则必须遵循以下步骤：-

• 使用

  my\u model.Save（）

  函数将模型的权重保存在一个文件中
• 通过添加占位符和加载模型权重再次构建图形

以下是一个工作示例-

input_layer = tf.placeholder(tf.float32, shape=(None, 299, 299,3))
model_inceptionv3_conv = InceptionV3(weights='imagenet', include_top=False, input_tensor=input_layer)
for layer in model_inceptionv3_conv.layers:
    layer.trainable = False
x = model_inceptionv3_conv.output
x = GlobalAveragePooling2D()(x)
predictions = Dense(NB_CLASSES, activation='sigmoid', name='predictions')(x)
my_model = Model(inputs=input_layer, outputs=predictions)

my_model.load_weights('model.h5')

现在您可以使用my_model.predict（）或sess.run（）进行预测，如-

sess.run(predictions, feed_dict={input_layer: x_val})

或

---

您还可以参考我的GitHub jupyter笔记本，了解如何将预处理步骤添加到Keras模型中-

我发现我自己的代码存在问题。我用错了ses。我以前使用tensorflow.keras设置sess，但我的原始代码仅基于keras，而不是tensorflow.keras

以前

import tensorflow as tf
tf.keras.backend.set_session(sess)

之后

然后，可以运行以下代码。未初始化的值消失了

x = tf.placeholder(tf.float32, shape=(None, 299, 299,
                                          3))
preds = model(x)
sess.run(preds, feed_dict={x: x_val})

---

此外，我将输出层的sigmoid激活替换为softmax激活，这在多类场景中更有意义；）我知道怎么做。但我只是不想喂张量。函数my_model.predict（）的输入是numpy我输入张量的原因是我想计算网络输出到x的梯度。公式为d（preds）/d（x）

import keras
keras.backend.set_session(sess)

x = tf.placeholder(tf.float32, shape=(None, 299, 299,
                                          3))
preds = model(x)
sess.run(preds, feed_dict={x: x_val})