Tensorflow：加载预先训练的ResNet模型时出错

Question

我想使用Tensorflow的预训练ResNet模型。 我下载的代码 （ resnet_v1.py ）的模型和检查点 （ resnet_v1_50.ckpt ）文件在这里 。

我已经可以解决错误ImportError: No module named 'nets'使用下面的帖子：看到这里从答案tsveti_iko 。

现在我收到以下错误，不知道该怎么做：

NotFoundError (see above for traceback): Restoring from checkpoint failed. 
This is most likely due to a Variable name or other graph key that is missing from the checkpoint. 
Please ensure that you have not altered the graph expected based on the checkpoint. Original error:

    Tensor name "resnet_v1_50/block1/unit_1/bottleneck_v1/conv1/biases" 
not found in checkpoint files /home/resnet_v1_50.ckpt
         [[node save/RestoreV2 (defined at my_resnet.py:34)  = 
RestoreV2[dtypes=[DT_FLOAT, DT_FLOAT, DT_FLOAT, DT_FLOAT, DT_FLOAT, ...,
DT_FLOAT, DT_FLOAT, DT_FLOAT, DT_FLOAT, DT_FLOAT], _device="/job:localhost
/replica:0/task:0/device:CPU:0"](_arg_save/Const_0_0, save/RestoreV2
/tensor_names, save/RestoreV2/shape_and_slices)]]

这是我在尝试加载模型时使用的代码：

import numpy as np
import tensorflow as tf
import resnet_v1

# Restore variables of resnet model
slim = tf.contrib.slim

# Paths
network_dir = "home/resnet_v1_50.ckpt"

# Image dimensions
in_width, in_height, in_channels = 224, 224, 3

# Placeholder
X = tf.placeholder(tf.float32, [None, in_width, in_height, in_channels])

# Define network graph
logits, activations = resnet_v1.resnet_v1_50(X, is_training=False)
prediction = tf.argmax(logits, 1)

with tf.Session() as sess:
    variables_to_restore = slim.get_variables_to_restore()
    saver = tf.train.Saver(variables_to_restore)
    saver.restore(sess, network_dir) 

    # Restore variables
    variables = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES)

    # Feed random image into resnet
    img = np.random.randn(1, in_width, in_height, in_channels)
    pred = sess.run(prediction, feed_dict={X:img})

任何人都可以告诉我，为什么它不起作用？ 我如何更改代码才能使其运行？

Answer 1

也许你可以使用tf.keras.applications的tf.keras.applications ？

根据错误，如果你没有以任何方式改变图形，这是你的整个源代码，它可能真的，真的很难调试。

如果您选择理智的tf.keras.applications.resnet50方式，您可以这样做：

import tensorflow

in_width, in_height, in_channels = 224, 224, 3

pretrained_resnet = tensorflow.keras.applications.ResNet50(
    weights="imagenet",
    include_top=False,
    input_shape=(in_width, in_height, in_channels),
)

# You can freeze some layers if you want, depends on your task
# Make "top" (last 3 layers below) whatever fits your task as well

model = tensorflow.keras.models.Sequential(
    [
        pretrained_resnet,
        tensorflow.keras.layers.Flatten(),
        tensorflow.keras.layers.Dense(1024, activation="relu"),
        tensorflow.keras.layers.Dense(10, activation="softmax"),
    ]
)

print(model.summary())

现在推荐这种方法，特别是考虑到即将推出的Tensorflow 2.0，理智性和可读性。 BTW。 此模型与Tensorflow提供的模型相同，它从IIRC传输。

您可以在链接文档和各种博客文章中阅读有关tf.keras.applications更多信息，例如此一个或其他Web资源。

我如何在Keras

回答评论中的问题

• How do I pass images to the network? ：如果要进行预测，请使用model.predict(image) ，其中image是np.array 。 就那么简单。

• How do I access weights? ：好吧，这个更复杂......开玩笑，每一层都有.get_weights()方法，它返回它的权重和偏差，你可以for layer in model.layers()使用for layer in model.layers()迭代图层。 您也可以使用model.get_weights()一次获得所有权重。

总而言之，您将学习Keras并且比Tensorflow更有效率，而不是调试此问题。 他们有30秒的指导原因。

BTW。 Tensorflow默认发布了Keras，因此，Tensorflow的Keras风味是 Tensorflow的一部分（无论这听起来有多混乱）。 这就是我在我的例子中使用tensorflow的原因。

使用Tensorflow的Hub解决方案

似乎您可以使用Hub加载和微调Resnet50 ， 如此链接中所述 。