如何从slim-tensorflow版InceptionNet v3模型最后一层提取特征？

嘿，看你已经搞定了InceptionNet v3的微调，现在想要从最后一层提取特征对吧？结合你提到的两种模型恢复方式，我给你整理了具体的实现步骤，两种方式各有优势，你可以根据需求选：

方法一：通过.meta文件恢复完整图结构提取特征 #

你已经写了部分恢复代码，接下来的核心是找到对应特征的张量。在slim实现的InceptionNet v3中，默认的预分类特征层（也就是我们常说的最后一层特征）是InceptionV3/PreLogits，下面是补全后的代码：

import tensorflow as tf
from tensorflow.contrib import slim

# 你的文件路径
checkpoint_meta = './fine_tuned_model/model.ckpt-233700.meta'
checkpoint_dir = './fine_tuned_model/'

with tf.Session() as sess:
    # 导入.meta文件恢复图结构
    new_saver = tf.train.import_meta_graph(checkpoint_meta)
    # 从ckpt文件恢复权重
    new_saver.restore(sess, tf.train.latest_checkpoint(checkpoint_dir))
    
    # 获取当前图对象
    graph = tf.get_default_graph()
    
    # 定位最后一层特征张量：注意要加`:0`后缀表示张量的第一个输出
    feature_tensor = graph.get_tensor_by_name('InceptionV3/PreLogits:0')
    
    # 获取输入占位符（默认是'input:0'，如果训练时改了名字要替换）
    input_tensor = graph.get_tensor_by_name('input:0')
    
    # 假设你已经完成了输入图片的预处理（和训练时一致）
    preprocessed_images = 你的预处理函数(原始图片数据)
    
    # 运行会话提取特征
    features = sess.run(feature_tensor, feed_dict={input_tensor: preprocessed_images})
    
    # 输出特征形状，InceptionV3的PreLogits是2048维，所以形状是[batch_size, 2048]
    print("提取的特征形状：", features.shape)

小技巧：如果你不确定特征层的名字，可以用print([op.name for op in graph.get_operations()])打印图中所有操作的名字，找到你需要的那一层后，记得在名字后面加:0才是对应的张量。

方法二：重新构建模型结构并恢复权重 #

这种方法不需要依赖.meta文件，直接用slim的API重新定义模型，再加载ckpt权重，灵活性更高，适合你清楚模型结构的场景：

import tensorflow as tf
from tensorflow.contrib.slim.nets import inception
from tensorflow.contrib import slim

# 你的ckpt文件路径
checkpoint_path = './fine_tuned_model/model.ckpt-233700'
# InceptionV3默认输入尺寸是299x299，和训练时保持一致
input_size = 299

# 定义输入占位符
inputs = tf.placeholder(tf.float32, [None, input_size, input_size, 3])

# 构建InceptionV3模型，is_training设为False表示推理模式
with slim.arg_scope(inception.inception_v3_arg_scope()):
    logits, end_points = inception.inception_v3(
        inputs, 
        num_classes=你的微调类别数,  # 替换成你训练时的类别数量
        is_training=False
    )

# end_points字典里包含了所有中间层输出，'PreLogits'就是我们要的最后一层特征
feature_tensor = end_points['PreLogits']

# 定义saver，只恢复训练过的变量（避免新增变量导致的恢复失败）
saver = tf.train.Saver(slim.get_variables_to_restore())

with tf.Session() as sess:
    # 加载权重
    saver.restore(sess, checkpoint_path)
    
    # 预处理输入图片（必须和训练时的预处理逻辑完全一致，比如归一化到[-1,1]）
    preprocessed_images = 你的预处理函数(原始图片数据)
    
    # 提取特征
    features = sess.run(feature_tensor, feed_dict={inputs: preprocessed_images})
    
    print("提取的特征形状：", features.shape)

注意事项 #

• 预处理必须和训练一致：比如InceptionV3默认是将图片像素值归一化到[-1, 1]，推理时一定要遵循同样的规则，否则特征会失效
• 如果微调时修改了模型结构（比如自定义了最后几层），方法二中的num_classes要和你训练时的设置匹配
• 如果你需要的是卷积层/池化层的原始输出，也可以从end_points里找对应的键，比如'InceptionV3/Logits/AvgPool_1a_8x8/AvgPool'对应的是8x8平均池化输出，形状是[batch_size, 1, 1, 2048]，可以用tf.squeeze(feature_tensor)把它压缩成[batch_size, 2048]

内容的提问来源于stack exchange，提问作者talos1904