基于输入管道的Tensorflow迁移学习

我想用转移学习和谷歌的Inception网络来解决图像识别问题。我从TensorFlow示例源中获得灵感

在

retain.py

中，将加载初始图，并使用提要dict将新图像馈送到模型的输入层。但是，我在TFRecord文件中序列化了数据，并一直使用输入管道输入输入，如图所示

所以我有一个张量

images

，它在运行时批量返回我的输入数据。但是我怎样才能把这些图像输入到《盗梦空间》中呢？我不能使用feed dict，因为我的输入是张量，而不是NumPy数组。我的两个想法是

1） 只需在每个批上调用

sess.run（）

，将其转换为NumPy数组，然后使用提要dict将其传递给Inception

2） 用我自己的批输入张量替换Inception图中的输入节点

我认为（1）行得通，但似乎有点不雅。（2） 对我来说似乎更自然，但我不能完全做到这一点，因为TensorFlow图只能附加在后面，不能进行其他修改

有更好的方法吗？

您可以实现选项（2），替换输入节点，但您需要修改

retain.py

。该函数通过将导入图中的张量重新映射到目标图中的现有张量，支持对导入图进行有限形式的修改

调用

tf.import\u graph\u def（）

bottleneck_tensor, jpeg_data_tensor, resized_input_tensor = (
    tf.import_graph_def(graph_def, name='', return_elements=[
        BOTTLENECK_TENSOR_NAME, JPEG_DATA_TENSOR_NAME,
        RESIZED_INPUT_TENSOR_NAME]))

您可以将导入的图形重新映射到自己构建的输入管道，而不是从导入的图形中检索
jpeg\u data\u tensor
：

# Output of a training pipeline, returning a `tf.string` tensor containing
# a JPEG-encoded image.
jpeg_data_tensor = ...

bottleneck_tensor, resized_input_tensor = (
    tf.import_graph_def(
        graph_def,
        input_map={JPEG_DATA_TENSOR_NAME: jpeg_data_tensor},
        return_elements=[BOTTLENECK_TENSOR_NAME, RESIZED_INPUT_TENSOR_NAME]))

无论您以前在何处输入
jpeg\u data\u tensor
，您都不再需要它，因为输入将从您构建的输入管道中读取。（请注意，您可能还需要处理
resized\u input\u tensor
，我对
retain.py
不太熟悉，因此可能需要进行一些重构。）
谢谢，
import\u graph\u def
的
input\u map
参数正是我想要的。计算和缓存瓶颈现在比使用选项（1）快很多倍。