我设计了一个用于分类道路和障碍物的图像分割网络。我希望冻结这个模型并将其作为API提供服务。因此，我使用了TensorFlow的默认工具来冻结模型。冻结后，网络给出的输出完全偏离且不准确。
这是一个样本。
输入图像
使用检查点文件测试时的输出
冻结模型后的输出
我尝试使用不同版本的TensorFlow来冻结模型，但这并没有帮助。由于网络在使用检查点进行测试时表现如预期那样，我认为问题出在冻结模型的脚本上。网络使用了批量归一化（Batch_normalisation）。这是否可能是精度下降的原因，因为我看到了一些类似性质的相关问题？如何避免这种情况？
这是完整的网络
使用检查点文件的预测
with tf.Graph().as_default() as graph: images_tensor = tf.train.string_input_producer(images_list, shuffle=False) reader = tf.WholeFileReader() key, image_tensor = reader.read(images_tensor) image = tf.image.decode_png(image_tensor, channels=3) image = preprocess(image) images = tf.train.batch([image], batch_size = 1, allow_smaller_final_batch=True) #Create the model inference with slim.arg_scope(ENet_arg_scope()): logits, probabilities = ENet(images, num_classes=4, batch_size=1, is_training=True, reuse=None, num_initial_blocks=num_initial_blocks, stage_two_repeat=stage_two_repeat, skip_connections=skip_connections) variables_to_restore = slim.get_variables_to_restore() saver = tf.train.Saver(variables_to_restore) def restore_fn(sess): return saver.restore(sess, checkpoint) predictions = tf.argmax(probabilities, -1) predictions = tf.cast(predictions, tf.float32) sv = tf.train.Supervisor(logdir=None, init_fn=restore_fn) with sv.managed_session() as sess: for i in xrange(int(len(images_list) / 1 + 1)): segmentations = sess.run(predictions) for j in xrange(segmentations.shape[0]): converted_image = grayscale_to_colour(segmentations[j],i,j) imsave(photo_dir + "/imagelabel_%05d_edges.png" %(i*1 + j), converted_image)从PB文件进行预测
def predict(): start = time.time() y_out = persistent_sess.run(y, feed_dict={x: x_in}) end = time.time() print(end-start) return y_outwith tf.Session() as sess: model_filename = "frozen_model_tf_version.pb" with gfile.FastGFile(model_filename, 'rb') as f: graph_def = tf.GraphDef() graph_def.ParseFromString(f.read()) tf.import_graph_def(graph_def) g_in = tf.get_default_graph()x = g_in.get_tensor_by_name('import/batch:0')y = g_in.get_tensor_by_name('import/ENet/output:0')persistent_sess = tf.Session(graph=g_in)x_in_unaltered=cv2.imread(img)x_in_unaltered = cv2.resize(x_in_unaltered,(480,360),interpolation=cv2.INTER_CUBIC)x_in = np.expand_dims(x_in_unaltered.flatten(),axis=0)predictions=predict()print(np.unique(predictions,return_counts=True))out = np.array(predictions[0],dtype=np.float32)out = np.reshape(out, [360,480])converted_image = grayscale_to_colour(out,x_in_unaltered)cv2.imwrite("out.png",converted_image)回答：
这里的问题与is_training有关，因为您使用了dropout和batch_norm，在预测时is_training应当设置为False。这样您可以期望得到相同的结果。
logits, probabilities = ENet(images, num_classes=4, batch_size=1, is_training=False, reuse=None, num_initial_blocks=num_initial_blocks, stage_two_repeat=stage_two_repeat, skip_connections=skip_connections)