使用 python API 进行的训练作为 java API 中 LabelImage 模块的输入？

我在使用 java tensorflow API 时遇到问题。我使用 python tensorflow API 运行训练，生成文件 output_graph.pb 和 output_labels.txt。现在，出于某种原因，我想使用这些文件作为 java tensorflow API 中 LabelImage 模块的输入。我认为一切都会很好，因为该模块只需要一个 .pb 和一个 .txt。然而，当我运行该模块时，我收到此错误：

2017-04-26 10:12:56.711402: W tensorflow/core/framework/op_def_util.cc:332] Op BatchNormWithGlobalNormalization is deprecated. It will cease to work in GraphDef version 9. Use tf.nn.batch_normalization().
Exception in thread "main" java.lang.IllegalArgumentException: No Operation named [input] in the Graph
at org.tensorflow.Session$Runner.operationByName(Session.java:343)
at org.tensorflow.Session$Runner.feed(Session.java:137)
at org.tensorflow.Session$Runner.feed(Session.java:126)
at it.zero11.LabelImage.executeInceptionGraph(LabelImage.java:115)
at it.zero11.LabelImage.main(LabelImage.java:68)

如果您能帮我找出问题所在，我将不胜感激。此外，我想问你是否有一种方法可以从 java tensorflow API 运行训练，因为这会让事情变得更容易。

更准确地说：

事实上，我并没有使用自己编写的代码，至少在相关步骤中是这样。我所做的就是用这个模块进行训练，https://github.com/tensorflow/tensorflow/blob/master/tensorflow/examples/image_retraining/retrain.py，向其提供包含图像的目录，这些图像根据其描述划分在子目录中。特别是，我认为这些是生成输出的行：

output_graph_def = graph_util.convert_variables_to_constants(
    sess, graph.as_graph_def(), [FLAGS.final_tensor_name])
with gfile.FastGFile(FLAGS.output_graph, 'wb') as f:
  f.write(output_graph_def.SerializeToString())
with gfile.FastGFile(FLAGS.output_labels, 'w') as f:
  f.write('\n'.join(image_lists.keys()) + '\n')

然后，我将输出（在同一个 graph.pb 和一些 labels.txt 上）作为该 java 模块的输入：https://github.com/tensorflow/tensorflow/blob/master/tensorflow/java/src/main/java/org/tensorflow/examples/LabelImage.java，替换默认输入。我得到的错误是上面报告的错误。

LabelImage.java 中默认使用的模型与重新训练的模型不同，因此输入和输出节点的名称不对齐。请注意，TensorFlow 模型是图和参数feed() and fetch()是图中节点的名称。因此，您需要知道适合您的型号的名称。

看着retrain.py，它似乎有一个将 JPEG 文件的原始内容作为输入的节点（该节点DecodeJpeg/contents）并在节点中生成标签集final_result.

如果是这种情况，那么您将在 Java 中执行类似以下操作（并且您不需要构建图形来规范化图像的位，因为这似乎是重新训练模型的一部分，因此替换LabelImage.java:64类似的东西：

try (Tensor image = Tensor.create(imageBytes);
     Graph g = new Graph()) {
  g.importGraphDef(graphDef);
  try (Session s = new Session(g);
    // Note the change to the name of the node and the fact
    // that it is being provided the raw imageBytes as input
    Tensor result = s.runner().feed("DecodeJpeg/contents", image).fetch("final_result").run().get(0)) {
    final long[] rshape = result.shape();
    if (result.numDimensions() != 2 || rshape[0] != 1) {
      throw new RuntimeException(
          String.format(
              "Expected model to produce a [1 N] shaped tensor where N is the number of labels, instead it produced one with shape %s",
              Arrays.toString(rshape)));
    }
    int nlabels = (int) rshape[1];
    float[] probabilities = result.copyTo(new float[1][nlabels])[0];
    // At this point nlabels = number of classes in your retrained model
    DoSomethingWith(probabilities);
  }
}

希望有帮助。