问题标签 [tensorflow-slim]

目前，我正在使用 Tf-Slim 库中的预训练 VGG 模型。我的动机是为这个网络的给定图像生成对抗性示例。任务总结如下：

但是，一旦我们进入第二次迭代并开始运行 logits= vgg.vgg16(....) 我们就会收到以下错误：

很明显，这个错误是由于第二次迭代中的图形复制而发生的。由于 tf-slim 模型不在reuse=True作用域中使用，它会引发此错误（因为在第二次迭代中，我们再次要求它在图中添加 vgg 层，这些层已经存在）。

是否有可能以某种方式避免此错误？应该可以为 VGG 模型创建一次图，并在需要计算 logits 时使用它。

这应该是可能的原因是来自 keras 的示例。在 keras 中，我们可以简单地定义一次模型，

稍后，我们可以为不同的张量添加计算 logits，

现在在这两个计算中，将使用相同的模型参数，即不会出现这样的错误。有没有办法使用 tensorflow 模型实现相同的功能。

我正在对我的数据试验来自“ Tensorflow detection model zoo ”的不同预训练 TensorFlow 模型-我想仅重新训练（微调）每个模型中最深的 N 层，以找到我的数据的最佳配置。有没有办法以适用于任何架构的通用形式执行此操作，并且不依赖于层名称（模型之间的变化）？或者，是否有一种简单的方法可以查询图表中最后 N 层的名称（我的意思是层 - 而不是操作）？

我正在尝试将经过微调的 tensorflow inception_v3 模型转换为可以在 NVIDIA 的 Jetson TX2 上运行的 uff 格式。对于转换为 uff，支持某些操作，有些不支持。我能够使用 tensorflow 提供的 imagenet 检查点成功冻结并转换为 uff inception_v3 模型。但是，如果我对模型进行微调，则会在新图表中添加其他操作，如 Floor、RandomUniform 等，但尚不支持。即使在冻结模型后这些层仍然存在。这也发生在 tensorflow 网站上提供的花卉样本的微调中。

1. 我想了解为什么在图中添加了额外的操作，而微调只是应该修改最后一层以匹配所需的输出数量。
2. 如果它们是在训练时添加的，我该如何摆脱它们？在发布 imagenet 的 inception_v3 模型之前，tensorflow 团队遵循了哪些后处理步骤？

如果需要，我可以共享 pbtxt 文件。目前，模型层详细信息已上传到https://github.com/shrutim90/TF_to_UFF_Issue。我正在使用带有 GPU 的 Tensorflow 1.6。

我正在按照以下步骤冻结或微调模型：https ://github.com/tensorflow/models/tree/master/research/slim#Pretrained 。如上述链接所述，要重现该问题，请安装 TF-Slim 图像模型库并按照以下步骤操作：

要检查图层，您可以查看 .pbtxt 文件或使用 NVIDIA 的 convert-to-uff 实用程序。

我有一个利用 tf-slim 启动的任务。我们应该使用预定义的架构和预训练的权重来训练一个新模型。示例代码如下所示。

我想使用 mobilenet，但它似乎不会像它不可用一样导入。

ImportError：无法导入名称“mobilenet”

我是机器学习的新手，基本上我创建了自己的图像数据集并对它们进行训练并在 jupyter notebook 上识别图像，之后我尝试按照本教程部署这个模型

我执行

它运行成功。

如何导出我自己的模型并部署？我的模型名称是“GoogleTensorflow”

我使用创建了这个模型

非常感谢您的支持！我目前使用 TF Slim - TF Hub 似乎是迁移学习的一个非常有用的补充。但是，文档中还不清楚以下几点：

1. 预处理是隐式完成的吗？这是基于模块构造函数中的“trainable=True/False”参数吗？

当我使用 Tf-slim 时，我使用预处理方法：

2.Inception模型如何访问AuxLogits？好像不见了：

输出是

我想修改 resnet_v2.resnet_v2_50 模型，以便将一个数字连接到 pool5 层。导入网络后，我可以在 end_points 变量中看到图层。

所以我可以访问不同的层

但是在池化层之后，我无法访问网络的最后一部分。

但是我可以在 Tensorboard 和 resnet_v2_50 的代码中看到有某种 pool5 层。我怎样才能访问它，所以我可以修改它并将一个数字连接到它？

假设，对于数据集 A 中的示例，labels可能是[1, 2, 1, 3]. 但是，出于某种原因（例如，由于数据集 B），我想将标签 ID 映射到其他值。映射可能如下所示。

目前，我猜测有两种方法：

--tf.data.Dataset似乎有一个map(map_func)每个例子都应该通过的功能，这可能是解决方案。不过，我比较熟悉slim.dataset.Dataset。有类似的技巧slim.dataset.Dataset吗？

- 我想知道我是否可以简单地将一些映射函数应用于张量label，例如：

但是，下面没有工作，这是我需要的。有人可以建议吗？

当我们在 Mobilenet 中重新训练图像分类层时，重新训练脚本允许我们指定几个参数来预处理输入图像：

random_scale random_crop random_brightness

我想知道如何确定这些值？我在一些文章中看到他们将 random_brightness 和 random_scale 设置为 30，并将 random_crop 设置为 0。

有人可以帮我理解这些参数吗？

描述 我使用 2 个 GPU GTX 1080 TI、11GB 和 CUDA/cuDNN 9.1 版的问题。操作系统上的 cudnn 7.1 (Debian 9)。

我想在两个不同的 GPU 中运行两个模型进行预测以加快运行时间（通过在两个 GPU 中创建两个会话实例）。第一个模型对第一个 GPU 进行计算，第二个模型通过执行特定设备的每个会话在第二个 GPU 中进行计算，类似于 python "with tf.device('/gpu:0')"

源代码

输出

讨论

通过创建两个线程在两个 GPU 中运行两个模型来同时运行两个模型，我看不到任何耗时的改进。在两个 GPU 中运行两个模型所消耗的时间与仅使用一个 GPU 运行的时间大致相同。