问题标签 [tf-slim]

我在 CPU 上使用 Python 2.7.13 和 Tensorflow 1.3.0。

我想使用 DensNet（https://github.com/pudae/tensorflow-densenet）来解决回归问题。我的数据包含 60000 张 jpeg 图像，每个图像有 37 个浮动标签。我通过以下方式将数据保存到 tfrecords 文件中：

`

我通过以下方式对其进行解码：

到目前为止一切都很好。但是当我使用下面的命令来解码 TFRecord 文件时：

我收到以下错误。

INFO：tensorflow：向协调器报告错误：，断言失败：[无法将字节解码为 JPEG、PNG、GIF 或 BMP] [[节点：case/If_0/decode_image/cond_jpeg/cond_png/cond_gif/Assert_1/Assert = Assert[ T=[DT_STRING], summarize=3, _device="/job:localhost/replica:0/task:0/cpu:0"](case/If_0/decode_image/cond_jpeg/cond_png/cond_gif/is_bmp, case/If_0/ decode_image/cond_jpeg/cond_png/cond_gif/Assert_1/Assert/data_0)]] INFO:tensorflow:Caught OutOfRangeError。停止训练。INFO:sensorflow:训练完毕！将模型保存到磁盘。

---

要使用 Densenet 解决我的问题，我应该首先修复此错误。谁能帮我解决这个问题。此代码非常适用于 https://github.com/pudae/tensorflow-densenet/tree/master/datasets 上的鲜花、MNIST 和 CIFAR10 等数据集，但不适用于我的数据。

我正在尝试使用DensNet解决 TF-Slim 的回归问题。我的数据包含 60000 张 jpeg 图像，每个图像有 37 个浮动标签。我将数据分成三个不同的 tfrecords 文件，分别是训练集 (60%)、验证集 (20%) 和测试集 (20%)。

我需要在训练循环期间评估验证集并制作一个类似image的图。在 TF-Slim 文档中，他们只是分别解释了训练循环和评估循环。我可以在训练循环完成后评估验证集或测试集。正如我所说，我需要在培训期间进行评估。

我尝试使用 slim.evaluation.evaluation_loop 函数而不是 slim.evaluation.evaluate_once。但这无济于事。

我也尝试了evaluation.evaluate_repeatedly。

在这两个函数中，它们只是从 checkpoint_dir 读取最新的可用检查点并显然在等待下一个，但是当生成新的检查点时，它们根本不执行。

我在 CPU 上使用 Python 2.7.13 和 Tensorflow 1.3.0。

任何帮助将不胜感激。

我的模型中有一部分是 inception_v3：

我用 训练它is_training=True，而不是保存我的模型。当我在新的执行中评估我的模型时，我设置了is_training=False。

问题是预测的输出几乎是 NAN。

如果我设置is_training=True，模型运行良好；在预测中我的 NAN 为零。

假和真有什么区别？我发现这个值作用于 dropout 和 batch_norm。

对于辍学

对于批处理规范

我该如何解决这个问题？

谢谢。

您知道如何在 GPU 上运行“eval_image_classifier.py”吗？我应该更改任何功能或进行任何修改吗？或者是否存在任何其他特定功能用于在 GPU 上进行评估？

我已经可以在 GPU 上运行“train_image_classifier.py”，因为具有用于在 CPU 和 GPU 之间切换的相关标志：

我确实尝试将同一行添加到eval_image_classifier.py，但没有效果。我正在使用 Python 2.7.13 和 Tensorflow 1.3.0 。

我也尝试使用一些代码，例如 Tensorflow 教程：

我以这种方式修改了代码：

当我运行这段代码时，我遇到了这个错误：

https://github.com/tensorflow/tensorflow/blob/master/tensorflow/contrib/slim/python/slim/evaluation.py

嗨，大家好！

我想通过使用 tensorflow slim 获得批量图像的分类预测结果。

很长时间以来我尝试了很多方法，但我未能将“预测”打印或写入 aaa.txt 等文件。怎么办？

先感谢您。

我正在尝试使用TF-SLIM dataset classes解析数据。

我将两个图像组合成一个 640x480x6 numpy 数组（因为我组合了两个图像的 RGB 通道）并将它们序列化以将它们保存到.tfrecords文件中。这是执行此操作的代码。

其中 img_pair 是一个640x480x6的numpy 数组，而 flo 是一个640x480x2的numpy 数组。

现在我想阅读这些例子。这是我到目前为止从 tf-slim flower.py （已更新以适合我）示例中获得的内容。

这里的问题是image/img_pair 和 image/flo是二进制字符串。据我所知，它们首先需要转换为张量才能将它们作为 item_handlers 提供。

像这样。

我不知道如何将它解析回具有相同形状的张量，即 img_pair 为 640x480x6，flo 为 640x480x2。

我得到一个错误。

我了解 TensorFlow 支持分布式训练。

我找到num_clones了，train_image_classifier.py这样我就可以在本地使用多个 GPU。

如何在不同主机上使用多个 GPU？

我有一个张量流检查点，在使用常规例程重新定义与它对应的图形后，我可以加载该检查点tf.train.Saver()和saver.restore(session, 'my_checkpoint.ckpt').

但是，现在，我想修改网络的第一层以接受形状的输入 say[200, 200, 1]而不是[200, 200, 10].

为此，我想将第一层对应的张量的形状从[3, 3, 10, 32]（3x3 内核，10 个输入通道，32 个输出通道）修改为[3, 3, 1, 32]通过第三维求和。

我怎么能那样做？

我正在构建一个模型来使用tf.slim它来运行 AVA 数据集——32GB 大小，大约 256K JPG 图像。针对全分辨率图像，我创建了 20 个 TFRecord用于训练的分片文件，每个文件大小为1.54 GB.

在训练期间，我的预处理步骤将(256,256,3)在提取随机裁剪的(224,224,3). 如果我在创建文件之前调整 JPG 图像TFRecord的大小，文件大小会缩小到28 MB.

除了额外的时间，如果我在创建 JPG 文件之前调整其大小，我的方法是否还有其他问题TFRecords？

我正在使用tf-slim微调网络，vgg16. 我想通过对最后一层应用不同的学习率来手动操作梯度。但是当我尝试使用opt.minimize(), ortf.gradients()并且opt.apply_gradients()我None在摘要报告中获得损失值时

为什么此代码路径train_op起作用：

但是手动创建train_op失败并出现以下异常（例如total_lossis None）：

我在这里做错了什么？