相当于python的C++：Tensorflow中的tf.Graph.get_tensor_by_name()？

Question

python: tf.Graph.get_tensor_by_name(name) 在 Tensorflow 中的 C++ 等价物是什么？ 谢谢！

这是我尝试运行的代码，但output为空：

Status status = NewSession(SessionOptions(), &session); // create new session
ReadBinaryProto(tensorflow::Env::Default(), model, &graph_def); // read Graph
session->Create(graph_def); // add Graph to Tensorflow session 
std::vector<tensorflow::Tensor> output; // create Tensor to store output
std::vector<string> vNames; // vector of names for required graph nodes
vNames.push_back("some_name"); // I checked names and they are presented in loaded Graph

session->Run({}, vNames, {}, &output); // ??? As a result I have empty output

Answer 1

根据您的评论，听起来您正在使用 C++ tensorflow::Session API，它将图形表示为GraphDef协议缓冲区。 此 API 中没有与tf.Graph.get_tensor_by_name()等效的方法。

不是将类型化的tf.Tensor对象传递给Session::Run() ，而是传递张量的string名称，其格式为<NODE NAME>:<N> ，其中<NODE NAME>匹配NodeDef.name值之一在GraphDef ， <N>是一个整数，对应于您要获取的该节点的输出索引。

您问题中的代码看起来大致正确，但我建议两件事：

1. session->Run()调用返回一个tensorflow::Status值。 如果调用返回后output为空，则几乎可以肯定调用返回了错误状态，并带有解释问题的消息。

2. 您将"some_name"作为要获取的张量的名称传递，但它是节点的名称，而不是张量。 此 API 可能要求您明确指定输出索引：尝试将其替换为"some_name:0" 。

Answer 2

有一种方法可以直接从 graph_def 获取神经节点。 如果你只想要节点的形状\\类型：“some_name”：

void readPB(GraphDef & graph_def)
{

    int i;
    for (i = 0; i < graph_def.node_size(); i++)
    {
        if (graph_def.node(i).name() == "inputx")
        {
            graph_def.node(i).PrintDebugString();
        }
    }
}

结果：

name: "inputx"
op: "Placeholder"
attr {
  key: "dtype"
  value {
    type: DT_FLOAT
  }
}
attr {
  key: "shape"
  value {
    shape {
      dim {
        size: -1
      }
      dim {
        size: 5120
      }
    }
  }
}

尝试节点的成员函数并获取信息。

Answer 3

如果有人感兴趣，这里是如何使用 tensorflow C++ API 从 graph_def 中提取任意传感器的形状

vector<int64_t> get_shape_of_tensor(tensorflow::GraphDef graph_def, std::string name_tensor)
{
    vector<int64_t> tensor_shape;
    for (int i=0; i < graph_def.node_size(); ++i) {
        if (graph_def.node(i).name() == name_tensor) {
            auto node = graph_def.node(i);
            auto attr_map = node.attr();
            for (auto it=attr_map.begin(); it != attr_map.end(); it++) {
                auto key = it->first;
                auto value = it->second;
                if (value.has_shape()) {
                    auto shape = value.shape();
                    for (int i=0; i<shape.dim_size(); ++i) {
                        auto dim = shape.dim(i);
                        auto dim_size = dim.size();
                        tensor_shape.push_back(dim_size);
                    }
                }
            }
        }
    }
    return tensor_shape
}