用Tensorflow中的'tf.estimator.estimator'保存的模型进行预测

我正在使用

tf.estimator.estimator

来训练一个模型：

def model_fn（特性、标签、模式、参数、配置）：
输入图像=特征[“输入图像”]
评估度量操作={}
预测={}
#创建模型
使用tf.name_范围（'Model'）：
W=tf.Variable（tf.zero（[784,10]），name=“W”）
b=tf.变量（tf.零（[10]），name=“b”）
logits=tf.nn.softmax（tf.matmul（输入图像，W，name=“matmul”）+b，name=“logits”）
损失=无
列车运行=无
如果模式！=tf.estimator.ModeKeys.PREDICT：
损失=tf.reduce_平均值（tf.nn.softmax_交叉_熵_与逻辑（标签=标签，逻辑=逻辑））
列车运行=tf.contrib.layers.Optimization\u损耗（损耗=损耗，
global\u step=tf.contrib.framework.get\u global\u step（），
学习率=参数[“学习率”]，
优化器=参数[“优化器”]）
#添加预测
class=tf.as_字符串（tf.argmax（输入=logits，axis=1，name=“class”））
使用tf.name_范围（“预测”）：
预测[“logits”]=logits
预测[“类”]=类
export_outputs={“classes”：tf.estimator.export.ClassificationOutput（classes=classes）}
export_outputs={“classes”：tf.estimator.export.PredictOutput（{“labels”：classes}）}
spec=tf.estimator.estimator spec（mode=mode，
预测=预测，
损失=损失，
列车运行=列车运行，
评估度量操作=评估度量操作，
导出输出=导出输出，
培训主任挂钩=无，
培训挂钩=无，
脚手架（无）
退货规格
def输入_fn（数据集，n=10）：
返回dataset.images[：n]，dataset.labels[：n]
模型参数={“学习率”：1e-3，
“优化器”：“Adam”}
#run\u path=os.path.join（运行\u path，datetime.now（）.strftime（“%Y-%m-%d-%H-%m-%S”））
run\u path=os.path.join（运行路径“run1”）
如果os.path.存在（运行路径）：
shutil.rmtree（运行路径）
estimator=tf.estimator.estimator（model_fn=model_fn，model_dir=run_path，params=model_params）
#训练
输入值=λ：输入值（mnist.train，n=15）
列车估计器（输入=输入，步长=1000）

训练期间正确保存模型和重量

现在我想在另一个脚本中重新加载模型+权重，以便进行预测

但是我不知道如何指定输入，因为我在

model\u fn

函数中没有对它的引用

#获取一些数据进行预测
输入数据=列表测试图像[：5]
tf.reset_default_graph（）
run\u path=os.path.join（运行路径“run1”）
#加载模型（图形）
输入检查点=os.path.join（运行路径“model.ckpt-1000”）
saver=tf.train.import_meta_图形（输入检查点+'.meta'，清除设备=True）
#恢复重量
sess=tf.InteractiveSession（）
saver.restore（sess、输入检查点）
graph=sess.graph
#获取要计算以进行预测的op
predict\u op=graph.通过名称（“predicts/class”）获取操作
#预测=sess.run（预测操作、馈送指令=？？）

下面是返回的

图形。获取集合（“变量”）

：

然后我尝试加载模型并进行预测，但我不知道如何将我的numpy图像输入模型：

preds=sess.run（“class”，feed\u dict={“input\u image”：input\u data}）

以及例外错误：

/home/hadim/local/conda/envs/ws/lib/python3.6/site-packages/tensorflow/python/client/session.py运行（self、fetches、feed、dict、options、run\u元数据）
776尝试：
777结果=self.\u运行（无、取数、输入、选项、，
-->778运行（元数据）
779如果运行\u元数据：
780 proto_data=tf_session.tf_GetBuffer（run_metadata_ptr）
/home/hadim/local/conda/envs/ws/lib/python3.6/site-packages/tensorflow/python/client/session.py in_运行（self、handle、fetches、feed_dict、options、run_元数据）
931例外情况除外，如e：
932 raise TypeError（'无法将feed_dict键解释为张量：'
-->933+e.args[0]）
934
935如果存在（副进纸值，操作张量）：
TypeError:无法将feed_dict键解释为张量：“input_image”名称看起来像（无效）操作名称，而不是张量。张量名称的形式必须为“：”。

输入张量的名称可能是

input\u image:0

您可以通过调用以下命令列出已保存模型的签名：

打印（estimator.signature\u def[tf.已保存的\u模型.签名\u常数.默认值\u服务\u签名\u def\u密钥]）

---

这应该列出预期的输入/输出张量。

我正在使用tf.contrib.learn.Estimator。 如我所见，语法和方法签名几乎相同，因此我认为差异与几个Tensorflow版本有关。 因此，您可以像往常一样使用以下内容创建估计器

estimator = learn.Estimator(
         model_fn=your_model,
         model_dir="tmp",
         config=tf.contrib.learn.RunConfig(
             save_checkpoints_steps=10,
             save_summary_steps=10,
             save_checkpoints_secs=None
         )
     )

然后，您以estimator.fit（输入函数=input函数，步长=100）的方式进行训练。

然后您可以进行预测调用

estimator .predict(prediction)

莫特，有一个技巧，和Tensorflow的有关。调用

predict

无法正确初始化估计器，因此需要调用

estimator.evaluate(x=prediction, y=label_array, steps=1)

在调用

预测之前

---

希望，这有帮助。

至于类型错误，我用这种方法解决

首先，命名占位符：

feature_spec = {"input_image": tf.placeholder(dtype=tf.float32, shape=[None, 784], name='input_image')}

然后你可以这样使用它：

feed_dict={"input_image:0": input_data}

with tf.Session(graph=tf.Graph()) as sess:
    meta_graph_def = tf.saved_model.loader.load(sess, [tf.saved_model.tag_constants.SERVING], model_path)
    signature = meta_graph_def.signature_def
    x_tensor_name = signature['classes'].inputs['input_image'].name
    y_tensor_name = signature['classes'].outputs['labels'].name
    x = sess.graph.get_tensor_by_name(x_tensor_name)
    y = sess.graph.get_tensor_by_name(y_tensor_name)
    predictions = sess.run(y, {x: mnist.test.images[:5]})

希望它能帮助别人

---

编辑

在这个问题中，在

estimator.export\u savedmodel（…）

您可以这样做：

feed_dict={"input_image:0": input_data}

with tf.Session(graph=tf.Graph()) as sess:
    meta_graph_def = tf.saved_model.loader.load(sess, [tf.saved_model.tag_constants.SERVING], model_path)
    signature = meta_graph_def.signature_def
    x_tensor_name = signature['classes'].inputs['input_image'].name
    y_tensor_name = signature['classes'].outputs['labels'].name
    x = sess.graph.get_tensor_by_name(x_tensor_name)
    y = sess.graph.get_tensor_by_name(y_tensor_name)
    predictions = sess.run(y, {x: mnist.test.images[:5]})

---

我使用

tensorflow.contrib.predictor成功预测