本文解决在Django框架中调用CNN模型时出现的ValueError错误，通过创建并使用同一计算图确保模型调用成功。
#解决django中调用CNN模型出现ValueError: Tensor(“Variable:0” dtype=float32_ref) must be from the same graph as Tensor(“Reshape:0”, shape=(?, 2 8, 28, 1), dtype=float32)的问题
在同一个.py文件中可以实现，不会报错，在外部的.py文件中调用预测的模型代码报错。
你好！ 这是我第一次写博客，原因是最近在学django，里面发文使用了markdown编辑器，正好，在这里练练手，熟悉一下语法，顺便记录一下最近在做物种识别系统遇到的问题，感谢各位大量指教。
##开发工具及版本：pycharm2019.3专业版+django2.0+python3.7
1.首先是在同一个py文件中直接调用，代码和结果如下：
cnn.py:
//预测代码
import numpy as np
import tensorflow as tf
import cv2
class deeper_model:
x = tf.placeholder(tf.float32, [None, 784])
# 创建神经网络中间层
W = tf.Variable(tf.zeros([784, 10])) #定义权重
b = tf.Variable(tf.zeros([10])) #定义偏置
#权重函数，用于初始化
def weight_variable(self, shape):
initial = tf.truncated_normal(shape, stddev=0.1) #标准差 stddev用于设置正态分布被截断前的标准差，设置为0.1后，训练精度就达到达到 99.2% 以上
return tf.Variable(initial)
#偏置，用于初始化
def bias_variable(self, shape):
initial = tf.constant(0.1, shape=shape) #创建常量initial，可设定形状。
return tf.Variable(initial)
#卷积操作，步长为1，大小为1*1
def conv2d(self, x, W):
return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')#前后必须为1
#池化操作 tf.nn.max_pool()和tf.nn.avg_pool()
def max_pool_2x2(self, x):
return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
# 槽函数--开始识别
def startRecognize(self,new_img):
# 读取图片
or_img = cv2.imdecode(np.fromfile(new_img, dtype=np.uint8), 0) # 解决中文路径问题
img = cv2.resize(or_img, (28, 28))
# print(img.shape)
one_map = img.flatten() # 将矩阵拉伸成一维的数组。
tva = [(255 - x) * 1.0 / 255.0 for x in one_map] # 将像素正常化为0和1
# 1.y=relu(wx+b) 第一次卷积池化
x_image = tf.reshape(self.x, [-1, 28, 28, 1]) # tf.reshape():解决输入图像的维数不符合的情况，-1表示根据实际情况定
W_conv1 = self.weight_variable([5, 5, 1, 32]) # 卷积核5*5，通道数为1，对应输出32张图
b_conv1 = self.bias_variable([32])
h_conv1 = tf.nn.relu(self.conv2d(x_image, W_conv1) + b_conv1) # 图片变为：（28-1）/1+1=28*28
h_pool1 = self.max_pool_2x2(h_conv1) # 池化后变为28/2=14*14
# 2.y=relu(wx+b) 第二次卷积池化
W_conv2 = self.weight_variable([5, 5, 32, 64]) # 卷积核5*5，通道数为32，对应输出64
b_conv2 = self.bias_variable([64])
h_conv2 = tf.nn.relu(self.conv2d(h_pool1, W_conv2) + b_conv2) # 图片变为（14-1）/1+1=14*14
h_pool2 = self.max_pool_2x2(h_conv2) # 池化后变为14/2=7*7
"""经过两次卷积和池化操作后，图片大小变为7*7，共64个卷积核"""
# 3.全连接层
W_fc1 = self.weight_variable([7 * 7 * 64, 1024]) # 加入1024个神经元
b_fc1 = self.bias_variable([1024])
# 把刚才池化后输出的张量reshape成一个一维向量
h_pool2_flat = tf.reshape(h_pool2, [-1, 7 * 7 * 64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
# 4.dropout防止过拟合的方法
keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
# 4.类别预测与输出
W_fc2 = self.weight_variable([1024, 10])
b_fc2 = self.bias_variable([10])
# 应用softmax实现分类
y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)
# 在 2017年3月2号以后；用 tf.global_variables_initializer() 替代 tf.initialize_all_variables()
init_op = tf.global_variables_initializer() # 变量初始化
saver = tf.train.Saver() # 实例化对象，保存所有的checkpoint 文件
module_file = tf.train.latest_checkpoint('E:\pythonpackage\PyQt_model\model.ckpt')
with tf.Session() as sess:
sess.run(init_op)
if module_file is not None:
# 重载模型的图及权重参数
saver.restore(sess, module_file) # 这里使用了之前保存的模型参数
prediction = tf.argmax(y_conv, 1)
predint = prediction.eval(feed_dict={self.x: [tva], keep_prob: 1.0}, session=sess)
print('recognize result:')
print(predint[0])
return predint[0]
if __name__ == '__main__':
cnn_model = deeper_model() # 实例化
new_img='E:\\桌面\\5.jpg'
reslut = cnn_model.startRecognize(new_img) # 调用模型，输出识别
结果：
需要说明的几点：
- 代码用途： 我是先尝试了一下手写数字的图片识别，模型已经训练好了，前面的卷积和池化的结构可以自己调整，我已经封装成函数了，我的模型路径是在：E:\pythonpackage\PyQt_model\model.ckpt。
- 模型加载过程中只能加载一次，重复加载会报错，因为前端图片上传不止一次，因此这一行判断语句不能少:
module_file = tf.train.latest_checkpoint('E:\pythonpackage\PyQt_model\model.ckpt')
if module_file is not None:
saver.restore(sess, module_file)
2.在外部的.py文件中调用预测的模型代码报错ValueError: Tensor(“Variable:0” dtype=float32_ref) must be from the same graph as Tensor。
在另一个文件中调用预测的函数
views.py
from django.contrib.auth.models import User
from django.shortcuts import render
from CNNmodel.cnn import deeper_model
from account.models import UserInfo
from deeplearn.models import speciesRecognition
import tensorflow as tf
tf.reset_default_graph()
def pic_upload(request):
"""上传图片"""
user = User.objects.get(username=request.user.username)
userinfo = UserInfo.objects.get(user=user)
if request.method == 'POST':
new_img = speciesRecognition(data_photo=request.FILES.get('img'))
new_img.save()
new_img = new_img.data_photo
print("图片地址:",new_img)
cnn_model = deeper_model() #实例化
cnn_model.startRecognize(new_img) #调用模型，输出识别结果
return render(request, 'deeplearn/pic_upload.html', {"userinfo_all": userinfo})
说明：
- 上面的文件是django的views.py视图函数文件，调用模型时报错。
解决方法
问题出在在cnn.py预测文件中,没有创建计算图，使用的默认的计算图。外部调用发现不在同一个计算图里面。
在代码中创建计算图，统一在同一个计算图中。
我是这样做的：
import numpy as np
import tensorflow as tf
import cv2
graph = tf.Graph() #定义计算图
# 写深度学习的代码
class deeper_model:
with graph.as_default(): #在这里加一个
# 定义占位符
x = tf.placeholder(tf.float32, [None, 784]) # 保存的数据类型，保存数据的结构，比如要保存一个1×2的矩阵，则struct=[1,2]
# 创建神经网络中间层
W = tf.Variable(tf.zeros([784, 10])) # 定义权重
b = tf.Variable(tf.zeros([10])) # 定义偏置
# y=x*w+b 10分类
# 权重函数，用于初始化
def weight_variable(self, shape):
initial = tf.truncated_normal(shape, stddev=0.1) # 标准差 stddev用于设置正态分布被截断前的标准差，设置为0.1后，训练精度就达到达到 99.2% 以上
return tf.Variable(initial)
# 偏置，用于初始化
def bias_variable(self, shape):
initial = tf.constant(0.1, shape=shape) # 创建常量initial，可设定形状。
return tf.Variable(initial)
# 卷积操作，步长为1，大小为1*1
def conv2d(self, x, W):
return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME') # 前后必须为1
# 池化操作 tf.nn.max_pool()和tf.nn.avg_pool()
def max_pool_2x2(self, x):
return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')
# 开始识别
def startRecognize(self, new_img):
with graph.as_default(): #在这里加第2个
# 读取图片
or_img = cv2.imdecode(np.fromfile(new_img, dtype=np.uint8), 0) # 解决中文路径问题
img = cv2.resize(or_img, (28, 28))
# print(img.shape)
one_map = img.flatten() # 将矩阵拉伸成一维的数组。
tva = [(255 - x) * 1.0 / 255.0 for x in one_map] # 将像素正常化为0和1
# 1.y=relu(wx+b) 第一次卷积池化
x_image = tf.reshape(self.x, [-1, 28, 28, 1]) # tf.reshape():解决输入图像的维数不符合的情况，-1表示根据实际情况定
W_conv1 = self.weight_variable([5, 5, 1, 32]) # 卷积核5*5，通道数为1，对应输出32张图
b_conv1 = self.bias_variable([32])
h_conv1 = tf.nn.relu(self.conv2d(x_image, W_conv1) + b_conv1) # 图片变为：（28-1）/1+1=28*28
h_pool1 = self.max_pool_2x2(h_conv1) # 池化后变为28/2=14*14
# 2.y=relu(wx+b) 第二次卷积池化
W_conv2 = self.weight_variable([5, 5, 32, 64]) # 卷积核5*5，通道数为32，对应输出64
b_conv2 = self.bias_variable([64])
h_conv2 = tf.nn.relu(self.conv2d(h_pool1, W_conv2) + b_conv2) # 图片变为（14-1）/1+1=14*14
h_pool2 = self.max_pool_2x2(h_conv2) # 池化后变为14/2=7*7
"""经过两次卷积和池化操作后，图片大小变为7*7，共64个卷积核"""
# 3.全连接层
W_fc1 = self.weight_variable([7 * 7 * 64, 1024]) # 加入1024个神经元
b_fc1 = self.bias_variable([1024])
# 把刚才池化后输出的张量reshape成一个一维向量
h_pool2_flat = tf.reshape(h_pool2, [-1, 7 * 7 * 64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
# 4.dropout防止过拟合的方法
keep_prob = tf.placeholder(tf.float32)
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
# 4.类别预测与输出
W_fc2 = self.weight_variable([1024, 10])
b_fc2 = self.bias_variable([10])
# 应用softmax实现分类
y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)
# 在 2017年3月2号以后；用 tf.global_variables_initializer() 替代 tf.initialize_all_variables()
init_op = tf.global_variables_initializer() # 变量初始化
saver = tf.train.Saver() # 实例化对象，保存所有的checkpoint 文件
module_file = tf.train.latest_checkpoint('E:\pythonpackage\PyQt_model\model.ckpt')
with tf.Session() as sess:
sess.run(init_op)
if module_file is not None:
# 重载模型的图及权重参数
saver.restore(sess, module_file) # 这里使用了之前保存的模型参数
prediction = tf.argmax(y_conv, 1)
predint = prediction.eval(feed_dict={self.x: [tva], keep_prob: 1.0}, session=sess)
print('recognize result:')
print(predint[0])
return predint[0]
if __name__ == '__main__':
cnn_model = deeper_model() # 实例化
new_img='E:\\桌面\\3.jpg'
reslut = cnn_model.startRecognize(new_img) # 调用模型，输出识别结果
# print("结果：", reslut)
###加入后测试cnn,py1文件，发现没有问题，直接出结果：
外部文件中调用，问题也解决了。不再报错ValueError: Tensor(“Variable:0” dtype=float32_ref) must be from the same graph as Tensor(“Reshape:0”, shape=(?, 2 8, 28, 1), dtype=float32)
搞定。
关于计算图的理解，参考这篇博文：
[https://www.cnblogs.com/studylyn/p/9105818.html]
扫一扫
8393
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
