Tensorflow 如何运行手动编码的TF网络（无需培训）

我已经创建了一个小的TF网络，在那里我试图手动初始化所有的权重。我试图给它一个具体的输入（所有的），看看网络将产生什么。我这样做的原因是，我试图在R中复制一个TF模型，我有一些不同，我想通过尝试在TF和R中复制一个小模型来进行调试，并比较结果

因此，模型的输入被创建为：

shape = (1, 3, 128, 64)
x = np.ones(shape).astype(np.float32)
x = np.transpose(x, (0, 2, 3, 1))  # Convert to NHWC
network = tf.convert_to_tensor(x, dtype=tf.float32)

网络非常简单，我们有：

Conv2d -> Batch Norm (BN) -> ELU activation -> Flatten -> Dense -> BN -> ELU

因此，我创建网络如下：

# w is a numpy array with the shape in (NHWC) format
network = tf.layers.conv2d(inputs=network, filters=32, kernel_size=(3, 3), padding='SAME', use_bias=False,
                           trainable=False, kernel_initializer=tf.constant_initializer(w))


# Batch normalization (The initialization variables are numpy arrays)
network = tf.nn.batch_normalization(x=network, mean=tf.convert_to_tensor(m), variance=tf.convert_to_tensor(v),
                                    offset=tf.convert_to_tensor(b), scale=tf.convert_to_tensor(s), variance_epsilon=1e-8)

# Activation
network = tf.nn.elu(network)

# Flatten the network
network = tf.layers.flatten(network)

# Fully connected
network = tf.layers.dense(inputs=network, units=128, use_bias=False, trainable=False)

# Batch normalization
network = tf.nn.batch_normalization(x=network, mean=tf.convert_to_tensor(m), variance=tf.convert_to_tensor(v),
                                    offset=tf.convert_to_tensor(b), scale=tf.convert_to_tensor(s), variance_epsilon=1e-8)

out = tf.nn.elu(network)

我想我已经正确地创建了网络。然而，现在我不知道如何运行这个。我看到的在线示例似乎是训练和tehn保存权重并重新加载保存的图表，但我想知道是否有一种简单的方法可以简单地运行向前传球（我不需要做任何训练，我已经硬编码了权重）并获得128维向量，以便验证输出

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())  # to actually initialize variables
    results = sess.run(out)  # forward pass

---

results

现在是一个numpy数组，包含给定您在第一个代码块中创建的输入的网络输出。

谢谢您的回答。这就是问题所在。。。我自己初始化了变量（我不想随机初始化），因为我想使用我提供的权重。那么我需要修改第一行吗？另外，它是否有一些特殊的标志在推理模式下运行（批处理规范通常在训练和推理中的工作方式不同）尝试这个，我得到了一个数组，这不是我所期望的。对不起，我想我没有真正注意到。初始值设定项将“运行”您提供的任何初始化，因此在本例中，由于您提供了常量，因此它不会是随机的。还要注意，您有一个完全连接的层，其中未指定初始值设定项，因此它将具有随机权重。