Вы можете добиться этого, сериализовав свой график и повторно импортировав его, используя tf.import_graph_def
, у которого есть аргумент input_map
, используемый для вставки входных данных в нужных местах.
Для этого вам нужно как минимум знать имена входов, которые вы заменяете, и выходов, которые вы хотите выполнить (соответственно x
и y
в моих примерах).
import tensorflow as tf
# restore graph (built from scratch here for the example)
x = tf.placeholder(tf.int64, shape=(), name='x')
y = tf.square(x, name='y')
# just for display -- you don't need to create a Session for serialization
with tf.Session() as sess:
print("with placeholder:")
for i in range(10):
print(sess.run(y, {x: i}))
# serialize the graph
graph_def = tf.get_default_graph().as_graph_def()
tf.reset_default_graph()
# build new pipeline
batch = tf.data.Dataset.range(10).make_one_shot_iterator().get_next()
# plug in new pipeline
[y] = tf.import_graph_def(graph_def, input_map={'x:0': batch}, return_elements=['y:0'])
# enjoy Dataset inputs!
with tf.Session() as sess:
print('with Dataset:')
try:
while True:
print(sess.run(y))
except tf.errors.OutOfRangeError:
pass
Обратите внимание, что узел-заполнитель все еще там, поскольку я не удосужился разобрать здесь graph_def
, чтобы удалить его — вы можете удалить его в качестве улучшения, хотя я думаю, что оставить его здесь тоже можно.
В зависимости от того, как вы восстанавливаете график, замена ввода может быть уже встроена в загрузчик, что упрощает задачу (нет необходимости возвращаться к GraphDef
). Например, если вы загружаете график из файла .meta
, вы можете использовать tf.train.import_meta_graph
, который принимает тот же аргумент input_map
.
import tensorflow as tf
# build new pipeline
batch = tf.data.Dataset.range(10).make_one_shot_iterator().get_next()
# load your net and plug in new pipeline
# you need to know the name of the tensor where to plug-in your input
restorer = tf.train.import_meta_graph(graph_filepath, input_map={'x:0': batch})
y = tf.get_default_graph().get_tensor_by_name('y:0')
# enjoy Dataset inputs!
with tf.Session() as sess:
# not needed here, but in practice you would also need to restore weights
# restorer.restore(sess, weights_filepath)
print('with Dataset:')
try:
while True:
print(sess.run(y))
except tf.errors.OutOfRangeError:
pass
person
P-Gn
schedule
16.05.2018