0

我知道如何从Tensorflow Hub加载预训练的图像模型。像这样： 

#load model
image_module = hub.Module('https://tfhub.dev/google/imagenet/mobilenet_v2_035_128/feature_vector/2')

#get predictions
features = image_module(batch_images)

我也知道如何自定义这个模型的输出（微调新数据集）。现有的Modules期望输入batch_images是一个 RGB 图像张量。

我的问题：我想使用张量（尺寸为 20x20x128，来自不同模型）作为 Hub 模型的输入，而不是输入特定尺寸的 RGB 图像。这意味着我需要绕过 tf-hub 模型定义的初始层（我不需要它们）。这在 tf-hub 模块 api 中可行吗？文档在这方面尚不清楚。

ps：我可以很容易地定义我自己的层，但尝试看看我是否可以使用 Tf-Hub API。

4

1 回答 1

1

现有的https://tfhub.dev/google/imagenet/ ... 模块不支持这一点。

一般来说，hub.Module 格式允许多个签名（即输入/输出张量的组合；认为 feed 和 fetches 就像在 tf.Session.run() 中一样）。因此，如果有他们想要支持的常见使用模式，模块发布者可以安排。

但对于这种复杂程度的自由形式实验，您最好直接使用和调整定义模型的代码，例如 TF Slim（用于 TF1.x）或 Keras Applications（也用于 TF2）。两者都提供 Imagenet 预训练的检查点，用于下载和恢复。

于 2019-05-24T09:09:49.373 回答