解决ValueError: Tensor("Variable:0" dtype=float32_ref) must be from the same graph as Tensor("Reshape:

最新推荐文章于 2023-12-01 15:17:04 发布

原创

最新推荐文章于 2023-12-01 15:17:04 发布 · 7.7k 阅读

15 ·

CC 4.0 BY-SA版权

文章标签：

#神经网络 #tensorflow #深度学习 #python #计算机视觉

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