如何更改 retrain.py 以获取 b64 图像

Question

现在，我正在使用 tensorflow 中的默认 retrain.py 来训练图像分类模型。但是当我在 google ai 平台上提供模型并尝试调用 api 时，我得到一个错误，说图像太大，因为它是一个 float32 数组。我认为最好的办法是更改 retrain.py 以接收 b64 图像而不是 float32 数组，但我不知道该怎么做。有什么建议吗？

感谢任何帮助！谢谢！

更新

def export_model(module_spec, class_count, saved_model_dir):
 sess, in_image, _, _, _, _ = build_eval_session(module_spec, class_count)

 image = tf.placeholder(shape=[None], dtype=tf.string)
 export_dir = "/tmp/save/"

 inputs = {'image_bytes': image}
 with sess.graph.as_default() as graph:
    tf.saved_model.simple_save(sess, export_dir, inputs, {'prediction': graph.get_tensor_by_name('final_result:0')})

这是我更新的代码，但它仍然不起作用

Answer 1

看看this post，它包含您需要的信息。如果没有，请回复，我会帮助您准备一些代码，不过您可能需要 url 安全 b64 变体。

编辑

您的代码有点混乱，我不认为输入已经连接到您的图表，您是否使用 tf.summary.FileWriter('output folder', sess.graph) 看过图表？

我将逐步解释如何在模型前面构建一些层，并通过一些示例，这段代码不应该在 retrain.py 中，可以在训练模型后运行。

1) 加载您的 tensorflow 模型，如果它是使用 savedModelBuilder 构建的，或者您可以像 this 一样进行简单的保存操作：

def loader(path):
    with tf.Session(graph=tf.Graph()) as sess:
        tf.saved_model.loader.load(sess, [tag_constants.TRAINING], path)
        return tf.get_default_graph().as_graph_def()

tagconstants 可以用saved_model_cli tool 检查，在你的情况下这可能必须是空的[]。

2) 添加您需要的层/张量，您需要接受一个字节字符串，或者在这种情况下为 base 64 的东西，将其解码并将其转换为 3D 图像：

image_str_tensor = tf.placeholder(dtype=tf.string, shape=(None,), name='input_image_bytes')
input_image = tf.decode_base64(image_str_tensor)          
decoder = tf.image.decode_jpeg(input_image[0], channels=3)

如果您从 retrain.py 中获得其他张量，例如转换为浮点数、dim_expanding 和整形，应该已经在图中。

3) 通过将它们输入到图表中来将它们实现到您的图表中。

graph_def_inception = loader('path to your saved model')
output_prediction, = tf.import_graph_def(graph_def_inception, input_map={"DecodeJpeg:0": decoder}, return_elements=['final_result:0'], name="")

4) 创建一个已保存的模型并检查一切是否如您所愿！

builder = tf.saved_model.builder.SavedModelBuilder('output/model/path')

with tf.Session() as sess:
    tf.summary.FileWriter('output/graph_log/files', sess.graph)

    input_tensor_info = tf.saved_model.utils.build_tensor_info(input_image)
    output_tensor_info = tf.saved_model.utils.build_tensor_info(output_prediction)
    signature = tf.saved_model.signature_def_utils.build_signature_def(
        inputs={'input_image': input_tensor_info},
        outputs={'output_prediction': output_tensor_info},
        method_name=tf.saved_model.signature_constants.PREDICT_METHOD_NAME)

    # save as SavedModel
    builder.add_meta_graph_and_variables(sess,
                                         [tf.saved_model.tag_constants.SERVING],
                                         signature_def_map={'serving_default': signature})
    builder.save()

5) 如果遇到错误，请尝试使用 tensorboard 进行调试

tensorboard --logdir=output/graph_log/files

希望对我有所帮助，此代码在第一次尝试时无法正常工作，您需要对某些部分感到困惑。如果你真的不能成功，那么你应该分享模型，也许我可以做到，如果我有时间的话，把代码分享给你。