使用Tensorflow C ++ API执行在skflow中训练的模型

月神

是否可以使用没有标签输入(或输出)节点的Tensorflow C ++ API执行图形?据我所知,在训练模型时(使用python中的skflow,然后将其保存为二进制protobuf),我没有标记输入/输出节点,但是我能够轻松恢复模型并进行预测在Python中。当使用C ++ API执行图形时,输入向量是成对的字符串和张量,其中我假设字符串是指输入节点的标签。从文档:

Session::Run(const std::vector< std::pair< string, Tensor > > &inputs,
const std::vector< string > &output_tensor_names,
const std::vector< string > &target_node_names,
std::vector< Tensor > *outputs)=0

使用提供的输入张量运行图,并填充output_tensor_names中指定的端点的输出。运行至target_node_names中的节点,但不返回张量。

有什么方法可以执行图而不知道我的输入/输出节点的标签吗?也许有一种方法可以在Python中加载图,给节点加标签,然后再次将其保存为protobuf?理想情况下,我只想传递一个应用于输入节点的向量,而不必担心任何标签。

ilblackdragon

在skflow中,所有节点都已经有标签,它只是为您恢复标签。

默认名称input:0output:0用于Xy分别,然后根据您所使用的模型预测,损失了一些自定义名称。

找出预测和概率节点名称的方法是查看endpoints保存模型的目录中的文件(如果用于estimator.save(path)保存)。

它看起来应该像这样:

输入:0

输出:0

logistic_regression / softmax_classifier / Softmax

logistic_regression / softmax_classifier / xent:0

其中前两个是输入/输出节点的名称,后两个是预测和损失节点。

本文收集自互联网,转载请注明来源。

如有侵权,请联系 [email protected] 删除。

编辑于
0

我来说两句

0 条评论
登录 后参与评论

相关文章

如何使用Tensorflow在C ++中训练模型?

使用Tensorflow检查点在C ++中还原模型

转换tfjs模型以在c ++中的Tensorflow中使用

如何使用C API遍历Tensorflow图?

使用队列Tensorflow训练模型

TensorFlow对象检测API:使用预训练模型在训练中更改班级数量时的分类权重初始化

Tensorflow中的A3C-我应该使用线程还是分布式Tensorflow API

使用重新训练模型时,TensorFlow教程中的NameError

在TensorFlow中的功能API和模型训练期间定义输入

在 C++ 中使用加载的 tensorflow 模型运行推理

TensorFlow模型不执行任何训练

Tensorflow Estimator API:如何使用Tensorflow的Estimator API获得训练模型的每个节点的权重

Tensorflow在离线中使用预训练模型

如何构建和使用Google TensorFlow C ++ API

在Windows上可以使用TensorFlow C ++ API吗?

Tensorflow冻结图Protobuf无法使用C API进行预测

使用python -c执行在命令行中作为字符串传递的python命令

如何使用C ++将输入输入到已加载的Tensorflow模型中

在python中使用keras + tensorflow进行训练并在C / C ++中进行预测

如何使用C ++ API限制Tensorflow(R1.1)中的GPU使用

如何使用C ++语言使用tensorflow.so和c_api.h加载图形?

在tensorflow r0.9(skflow)中训练DNNClassifier时如何打印进度?

使用Tensorflow的CNN模型

使用tensorflow的.ckpt模型

如何使用Tensorflow在CNN中训练图像

Tensorflow Keras功能API模型可以训练Tensorflow变量吗?可以在功能性API模型中使用Tensorflow操作吗?

如何使用Tensorflow Keras API从预训练的模型复制特定的图层权重?

使用Tensorflow C ++ API运行会话比使用Python慢得多

使用 Keras 在 Tensorflow 2.0 中无需训练即可保存模型