我已经使用（Tensorflow）Python API重新训练了Inception-v3模型，并通过修改tensorflow/tensorflow/examples/image_retraining/retrain.py保存了一个独立的.pb格式的图。修改包括在分类层之前添加了一个dropout层：

def nn_layer(input_tensor, input_dim, output_dim, layer_name, activation_name='activation', act=tf.nn.softmax):
    # 使用名称范围确保图中层的逻辑分组
    with tf.name_scope(layer_name):
        # 这个变量将保存层的权重状态
        with tf.name_scope('weights'):
            weights = weight_variable([input_dim, output_dim])
            variable_summaries(weights, layer_name + '/weights')
        with tf.name_scope('dropout'):
            keep_prob = tf.placeholder(tf.float32)
            tf.scalar_summary('dropout_keep_probability', keep_prob)
            drop = tf.nn.dropout(input_tensor, keep_prob)
            variable_summaries(drop, layer_name + '/dropout')
        with tf.name_scope('biases'):
            biases = bias_variable([output_dim])
            variable_summaries(biases, layer_name + '/biases')
        preactivate = tf.matmul(drop, weights) + biases
        tf.histogram_summary(layer_name + '/pre_activations', preactivate)
        with tf.name_scope(activation_name):
            activations = act(preactivate)
            tf.histogram_summary(layer_name + '/activations', activations)
    return preactivate, activations, keep_prob

在Python中生成预测的代码如下：

softmax_tensor = sess.graph.get_tensor_by_name('final_layer/final_result/Softmax:0')
predictions = sess.run(softmax_tensor, { 'DecodeJpeg/contents:0':image_data, 'final_layer/dropout/Placeholder:0': 1.})

相应的C++代码如下：

string input_layer = "Mul";
string output_layer = "final_layer/dropout/Placeholder:0";
Status run_status = session->Run({{input_layer, resized_tensor}}, {output_layer}, {}, &outputs);

C++代码最终出现了以下错误信息：

Running model failed: Invalid argument: You must feed a value for placeholder tensor 'final_layer/dropout/Placeholder'

为了消除上述错误，我应该如何修改C++代码？换句话说，如何在C++代码中像在Python代码中一样更改占位符的值？我已经在这个问题上卡了很多天了，任何帮助都将不胜感激。

回答：

你的C++代码并不是Python代码的对应部分。

在Python中，你有：

softmax_tensor = sess.graph.get_tensor_by_name('final_layer/final_result/Softmax:0')
predictions = sess.run(softmax_tensor, { 'DecodeJpeg/contents:0':image_data, 'final_layer/dropout/Placeholder:0': 1.})

因此，你的feed_dict是{ 'DecodeJpeg/contents:0':image_data, 'final_layer/dropout/Placeholder:0': 1.}。

这意味着：用image_data覆盖DecodeJpeg/contents:0的值，并用1.覆盖final_layer/dropout/Placeholder:0的值。

然而，在C++中，你有：

Status run_status = session->Run({{input_layer, resized_tensor}}, {output_layer}, {}, &outputs);

这意味着你的feed_dict等同于第一个输入参数，即：

{{input_layer, resized_tensor}}

这意味着：用resized_tensor覆盖input_layer的值。

第一个问题是你试图覆盖节点Mul而不是节点DecodeJpeg/contents:0。

此外，还缺少对占位符的覆盖。

然而，你的C++代码中有些混乱，因为你将output_tensor称为实际上是placeholder的东西。

TL;DR

你的Python代码的对应C++代码应该是这样的：

Status run_status = session->Run({    
    {"DecodeJpeg/contents", resized_tensor},    
    {"final_layer/dropout/Placeholder", 1f}}, 
    {"final_layer/final_result/Softmax"}, {}, &outputs);

这意味着：

用resize_tensor覆盖节点DecodeJpeg/contents的值。
用1覆盖节点final_layer/dropout/Placeholder的值。

获取节点final_layer/final_result/Softmax的值。
将结果放入outputs中