Tensorflow: la restauration d'un graphique et le modèle d'exécution de l'évaluation sur une seule image

Il existe deux méthodes pour nourrir une seule nouvelle image à la cifar10 modèle. La première méthode est plus propre approche, mais nécessite une modification dans le fichier principal, auront donc besoin de reconversion. La seconde méthode est applicable lorsqu'un utilisateur ne souhaite pas modifier les fichiers de modèle et cherche à utiliser les check-point/méta-graphe de fichiers.

Le code pour la première approche est la suivante:

import tensorflow as tf
import numpy as np
import cv2
sess = tf.Session('', tf.Graph())
with sess.graph.as_default():
# Read meta graph and checkpoint to restore tf session
saver = tf.train.import_meta_graph("/tmp/cifar10_train/model.ckpt-200.meta")
saver.restore(sess, "/tmp/cifar10_train/model.ckpt-200")
# Read a single image from a file.
img = cv2.imread('tmp.png')
img = np.expand_dims(img, axis=0)
# Start the queue runners. If they are not started the program will hang
# see e.g. https://www.tensorflow.org/programmers_guide/reading_data
coord = tf.train.Coordinator()
threads = []
for qr in sess.graph.get_collection(tf.GraphKeys.QUEUE_RUNNERS):
threads.extend(qr.create_threads(sess, coord=coord, daemon=True,
start=True))
# In the graph created above, feed "is_training" and "imgs" placeholders.
# Feeding them will disconnect the path from queue runners to the graph 
# and enable a path from the placeholder instead. The "img" placeholder will be 
# fed with the image that was read above.
logits = sess.run('softmax_linear/softmax_linear:0', 
feed_dict={'is_training:0': False, 'imgs:0': img})
#Print classifiction results.
print(logits) 

Le script nécessite qu'un utilisateur crée deux espaces réservés et une exécution conditionnelle déclaration pour que cela fonctionne.

Les espaces réservés et de l'exécution conditionnelle de déclaration sont ajoutés dans cifar10_train.py comme indiqué ci-dessous:

def train():   
"""Train CIFAR-10 for a number of steps."""   
with tf.Graph().as_default():
global_step = tf.contrib.framework.get_or_create_global_step()
with tf.device('/cpu:0'):
images, labels = cifar10.distorted_inputs()
is_training = tf.placeholder(dtype=bool,shape=(),name='is_training')
imgs = tf.placeholder(tf.float32, (1, 32, 32, 3), name='imgs')
images = tf.cond(is_training, lambda:images, lambda:imgs)
logits = cifar10.inference(images)

Les entrées dans cifar10 modèle sont connectés à la file d'attente coureur de l'objet, qui est un processus à plusieurs étapes de la file d'attente qui peut prefetch de données à partir de fichiers en parallèle. Voir une belle animation de file de coureur ici

Alors que la file d'attente des coureurs sont efficaces dans le pré-chargement de grand jeu de données pour la formation, ils sont un overkill pour l'inférence/test où un seul fichier qui est nécessaire pour être classés, ils sont aussi un peu plus compliqué à modifier ou à maintenir.
Pour cette raison, j'ai ajouté un espace réservé "is_training", qui est défini à False, alors qu'une formation comme indiqué ci-dessous:

 import numpy as np
tmp_img = np.ndarray(shape=(1,32,32,3), dtype=float)
with tf.train.MonitoredTrainingSession(
checkpoint_dir=FLAGS.train_dir,
hooks=[tf.train.StopAtStepHook(last_step=FLAGS.max_steps),
tf.train.NanTensorHook(loss),
_LoggerHook()],
config=tf.ConfigProto(
log_device_placement=FLAGS.log_device_placement)) as mon_sess:
while not mon_sess.should_stop():
mon_sess.run(train_op, feed_dict={is_training: True, imgs: tmp_img})

Un autre espace réservé "dim" est titulaire d'un tenseur de forme (1,32,32,3) de l'image qui seront introduits lors de l'inférence -- la première dimension est la taille du lot qui est dans ce cas. J'ai modifié l'icra modèle d'accepter 32x32 au lieu de 24x24 que l'original cifar10 images sont 32x32.

Enfin, l'instruction conditionnelle se nourrit de l'espace réservé en file d'attente ou coureur de sortie pour le graphique. Le "is_training" espace réservé est définie sur False lors de l'inférence et "img" de l'espace réservé est nourri d'un tableau numpy -- le tableau numpy est de passer de 3 à 4 dimensions vecteur pour se conformer à l'entrée du tenseur à l'inférence de la fonction dans le modèle.

C'est tout là est à lui. N'importe quel modèle peut être déduit avec un seul/défini par l'utilisateur des données de test comme indiqué dans le script ci-dessus. Essentiellement lire le graphique, les données de flux pour les noeuds d'un graphe et d'exécuter le graphe pour obtenir le résultat final.

Maintenant la deuxième méthode. L'autre approche consiste à pirater cifar10.py et cifar10_eval.py pour modifier la taille du lot de l'un et de remplacer les données provenant de la file d'attente de coureur avec la lecture à partir d'un fichier.

Définir la taille du lot de 1:

tf.app.flags.DEFINE_integer('batch_size', 1,
"""Number of images to process in a batch.""")

Appel d'inférence avec une image de lecture de fichier.

def evaluate():   with tf.Graph().as_default() as g:
# Get images and labels for CIFAR-10.
eval_data = FLAGS.eval_data == 'test'
images, labels = cifar10.inputs(eval_data=eval_data)
import cv2
img = cv2.imread('tmp.png')
img = np.expand_dims(img, axis=0)
img = tf.cast(img, tf.float32)
logits = cifar10.inference(img)

Puis passer logits de eval_once et modifier eval une fois pour évaluer les logits:

def eval_once(saver, summary_writer, top_k_op, logits, summary_op): 
...
while step < num_iter and not coord.should_stop():
predictions = sess.run([top_k_op])
print(sess.run(logits))

Il n'y a pas de script pour exécuter cette méthode d'inférence, il suffit d'exécuter cifar10_eval.py qui va lire un fichier à partir de l'emplacement défini par l'utilisateur avec une taille de lot de l'un.

l'ai eu à travailler avec cette

softmax = gn.inference(image)
saver = tf.train.Saver()
ckpt = tf.train.get_checkpoint_state(FLAGS.checkpoint_dir)
with tf.Session() as sess:
saver.restore(sess, ckpt.model_checkpoint_path)
softmaxval = sess.run(softmax)
print(softmaxval)

sortie

[[  6.73550041e-03   4.44930716e-04   9.92570221e-01   1.00681427e-06
3.05406687e-08   2.38927707e-04   1.89839399e-12   9.36238484e-06
1.51646684e-09   3.38977535e-09]]