InceptionV3和TensorFlow的迁移学习

Question

我希望能够从给定的tensorflow inceptionV3示例中进行迁移学习。在这里https://github.com/AKSHAYUBHAT/VisualSearchServer/blob/master/notebooks/notebook_network.ipynb，按照图像分类示例和给出的运算符和张量名称，我可以创建我的图形。但是，当我将一个大小为(100, 299, 299, 3)的图像批次放入预计算的inception图中时，在pool_3层处出现以下形状错误:

ValueError: Cannot reshape a tensor with 204800 elements to shape [1, 2048] (2048 elements)

看起来这个inceptionV3图形不接受图像批次(batch)作为输入。我错了吗？

- jrabary

Answer 1

实际上，如果你提取正确的内容，它可以用于迁移学习。将形状为[N，299，299，3]的图像作为ResizeBilinear:0输入批处理没有问题，然后使用pool_3:0张量。重塑之后会出现问题，但你可以自己进行重塑（反正之后你会有自己的层）。如果你想使用原始分类器并进行批处理，则可以在pool_3:0之上添加自己的重塑，然后添加softmax层，重用原始softmax的权重/偏置张量。

简而言之，对于双img堆栈，其形状为(2, 299, 299, 3)，以下操作有效：

pooled_2 = sess.graph.get_tensor_by_name("pool_3:0").eval(session=sess, feed_dict={'ResizeBilinear:0':double_img})
pooled_2.shape
# => (2, 1, 1, 2048)

- etarion

---

尝试过这个并得到了这样的错误提示："Cannot feed value of shape (10, 299, 299, 3) for Tensor u'ResizeBilinear:0', which has shape '(1, 299, 299, 3)'"。和https://github.com/tensorflow/tensorflow/issues/1021相同的结果。 - Phillip Godzin

Answer 2

你说得没错。这似乎是一个非常合理的功能请求，所以我在 Github 上开了一个票 （https://github.com/tensorflow/tensorflow/issues/1021）。请关注该票以获取更新。

- dga

Answer 3

这样的东西应该可以：

    with g.as_default():
     inputs = tf.placeholder(tf.float32, shape=[batch_size, 299, 299, 3],
                                name='input')

        with slim.arg_scope(inception.inception_v3_arg_scope()):

            logits, end_points = inception.inception_v3( inputs, 
            num_classes=FLAGS.num_classes, is_training=False)
            variables_to_restore = lim.get_variables_to_restore(exclude=exclude)
        sess = tf.Session()

        saver = tf_saver.Saver(variables_to_restore)

然后您应该能够调用该操作：

        sess.run("pool_3:0",feed_dict={'ResizeBilinear:0':images})

- Ivan Jacobs

Answer 4

etarion提出了一个非常好的观点。然而，我们不必自己重新塑形；相反，我们可以改变reshape作为输入的shape的值。也就是说，

input_tensor_name = 'import/input:0'
shape_tensor_name = 'import/InceptionV3/Predictions/Shape:0'
output_tensor_name= 'import/InceptionV3/Predictions/Reshape_1:0'

output_tensor = tf.import_graph_def(
    graph.as_graph_def(),
    input_map={input_tensor_name: image_batch,
               shape_tensor_name: [batch_size, num_class]},
    return_elements=[output_tensor_name])

这些张量名称基于inception_v3_2016_08_28_frozen.pb。

- Yanmao Man