python - Tensorflow:调整图像占位符大小

Question

我有一个经过训练的 TF 模型，该模型在序列化 (TFRecord) 输入上运行。图像数据具有可变形状，并通过 tf.image.resize_images(...) 转换为 229x229x3 形状。我想使用 gcloud ml-engine Predict platform类似于 this ，确保接受任何尺寸的图像作为输入。

我从以下函数获取我的features 张量(传递到预测图):

def jpeg_serving_input_fn():
  """
  Serve single jpeg feature to the prediction graph
  :return: Image as a tensor
  """
  input_features = tf.placeholder(dtype=tf.float32, shape=[None, None, 3], 
                                  name="PREDICT_PLACEHOLDER")
  features_normalized = tf.image.resize_images(input_features, [229, 229])

  image = tf.reshape(features_normalized, [1, 229, 229, 3], name="RESHAPE_PREDICT")

  inputs = {
    'image': image
  }

最后的 tf.reshape 是因为我的预测图需要形状为 [batch_size, 229, 229, 3] 的张量。当我通过引擎运行这个时

gcloud ml-engine local predict \
--model-dir=trained_model/export/ \
--json-instances=img.json

我收到一个预测错误:

predict_lib_beta.PredictionError: (4, "Exception during running the graph: Cannot feed value of shape (1, 1600, 2400, 3) for Tensor u'RESHAPE_PREDICT:0', which has shape '(1, 229, 229, 3)'")

在我看来，tf.reshape正在被输入tf.image.resize_images的输出，它应该具有正确的形状。对我在这里做错了什么有什么想法吗？提前致谢!

Answer 1

看起来该错误是由某些提供 "RESHAPE_PREDICT:0" 张量的代码引起的(即 tf.reshape() 操作的输出，image)而不是 "PREDICT_PLACEHOLDER:0" 张量(即 tf.image.resize_images() 操作的输入，input_features )。

如果没有经过训练的模型的完整源代码，很难确切地说出需要进行哪些更改，但可能就像将 inputs 的定义更改为:

inputs = {'image': input_features}

...以便预测服务知道向该占位符提供值，而不是 tf.reshape() 的固定形状输出。