TensorFlow：如何替换导入GraphDef中的Placeholder以连接数据集提供器

结合我用slim API做模型评估的经验（尤其是参考eval_image_classifier.py的思路），给你一步步拆解具体操作：

1. 先锁定默认计算图 #

首先要确保所有操作都在同一个计算图中进行，避免图混乱：

import tensorflow as tf
from tensorflow.contrib import slim

# 设置当前图为默认图
with tf.Graph().as_default() as graph:
    # 后续所有操作都在这个图里执行

2. 配置数据集提供器与预处理逻辑 #

这部分可以直接参考eval_image_classifier.py里的实现，核心是加载数据集、定义预处理函数，得到可以输出批量数据的张量：

# 1. 选择目标数据集（比如ImageNet、自定义数据集）
dataset = slim.dataset.Dataset(
    data_sources=your_data_sources,
    reader=tf.TFRecordReader,
    decoder=your_decoder,
    num_samples=your_num_samples,
    items_to_descriptions=your_item_descriptions,
    num_classes=your_num_classes
)

# 2. 创建数据集提供器，负责加载批量数据
provider = slim.dataset_data_provider.DatasetDataProvider(
    dataset,
    shuffle=False,  # 评估阶段一般不打乱数据
    common_queue_capacity=32,
    common_queue_min=8
)

# 3. 从提供器获取原始数据，比如图像和标签
[image, label] = provider.get(['image', 'label'])

# 4. 应用预处理函数（和训练/导出模型时的预处理逻辑保持一致！）
processed_image = image_preprocessing_fn(
    image,
    image_height=224,  # 要和模型输入尺寸匹配
    image_width=224,
    is_training=False  # 评估阶段关闭训练相关操作（比如BN的更新、dropout）
)

# 批量处理，得到批量输入张量
batch_images, batch_labels = tf.train.batch(
    [processed_image, label],
    batch_size=32,
    num_threads=4,
    capacity=32 * 2
)

3. 核心：导入GraphDef并替换Placeholder #

这是关键步骤，要把导入的计算图里的Placeholder替换成我们上面生成的batch_images张量：

# 1. 读取预导出的GraphDef文件（比如.pb格式）
with tf.gfile.GFile('your_model.pb', 'rb') as f:
    graph_def = tf.GraphDef()
    graph_def.ParseFromString(f.read())

# 2. 找到原模型中的Placeholder名称（比如导出时定义的"input_images:0"）
# 注意：要和导出模型时的Placeholder名称完全一致，包括后缀":0"
original_placeholder_name = "input_images:0"

# 3. 导入GraphDef时，通过input_map参数替换Placeholder
# 把原Placeholder映射到我们的批量预处理图像张量
tf.import_graph_def(
    graph_def,
    input_map={original_placeholder_name: batch_images},
    name=''  # 保持原模型的节点名称空间，避免前缀干扰
)

# 4. 现在可以获取导入模型的输出节点，进行后续评估
logits = graph.get_tensor_by_name("logits:0")  # 替换成你模型的输出节点名称
predictions = tf.argmax(logits, 1)

注意事项 #

• 张量匹配：预处理后的batch_images的形状、数据类型（比如float32）必须和原Placeholder完全一致，否则会报错。
• 节点名称：导入GraphDef时如果设置了name参数，后续获取节点时要加上对应的前缀，比如name='import'的话，节点名称会变成import/logits:0。
• 预处理一致性：评估时的预处理逻辑必须和训练、导出模型时完全相同，否则会影响结果准确性。

内容的提问来源于stack exchange，提问作者mateja