在遵循张量流图像分类教程时，首先它会缓存每个图像的瓶颈：
我使用tensorflow的 Estimator 重写了训练 . 这真的简化了所有代码 . 但是我想在这里缓存瓶颈功能 .
这是我的 model_fn . 我想缓存 dense 层的结果，这样我就可以对实际的训练进行更改，而不必每次都计算瓶颈 .
我怎么能做到这一点？
def model_fn(features, labels, mode, params):
is_training = mode == tf.estimator.ModeKeys.TRAIN
num_classes = len(params['label_vocab'])
module = hub.Module(params['module_spec'], trainable=is_training and params['train_module'])
bottleneck_tensor = module(features['image'])
with tf.name_scope('final_retrain_ops'):
logits = tf.layers.dense(bottleneck_tensor, units=num_classes, trainable=is_training) # save this?
def train_op_fn(loss):
optimizer = tf.train.AdamOptimizer()
return optimizer.minimize(loss, global_step=tf.train.get_global_step())
head = tf.contrib.estimator.multi_class_head(n_classes=num_classes, label_vocabulary=params['label_vocab'])
return head.create_estimator_spec(
features, mode, logits, labels, train_op_fn=train_op_fn
)
1 回答
TF无法像你编码一样工作 . 你应该：
从原始网络导出文件瓶颈 .
使用瓶颈结果作为输入，使用另一个网络来训练您的数据 .