如何使用TensorFlow提取图像特征向量？附相关实现代码片段

嘿，你选的这个TF Hub模型确实很适合提取图像特征向量！我把你的代码补全并整理成更完整的实现，顺便给你提几个关键点：

完整代码实现（TensorFlow 1.x兼容版） #

def get_2k_descriptor(self, im):
    # 将输入图像转换为模型要求的float32类型
    image = tf.image.convert_image_dtype(im, tf.float32)
    # 加载TF Hub上的ResNet V2 101特征向量模型
    module = hub.Module("https://tfhub.dev/google/imagenet/resnet_v2_101/feature_vector/1")
    # 自动获取模型期望的输入尺寸（无需硬编码224x224）
    height, width = hub.get_expected_image_size(module)
    # 调整图像尺寸到模型要求的大小
    resized_image = tf.image.resize_images(image, [height, width])
    # 为图像添加batch维度（模型默认接受批量输入）
    expanded_image = tf.expand_dims(resized_image, 0)
    # 计算得到特征向量
    features = module(expanded_image)
    # 去除batch维度，得到单张图像的特征向量
    feature_vector = tf.squeeze(features)
    return feature_vector

关键细节提示 #

• 注意你提到的链接是ResNet V1 101，但代码里用的是ResNet V2 101，两者特征提取逻辑略有差异，建议保持模型链接和代码一致
• hub.get_expected_image_size(module)是更通用的写法，不同模型输入尺寸可能不同，用这个方法能避免硬编码出错
• 模型要求输入是批量数据，所以必须用tf.expand_dims给单张图像添加batch维度
• 这个模型输出的特征向量维度是2048，正好对应你想要的“2k descriptor”

TensorFlow 2.x适配版本 #

如果你的环境是TF2.x，推荐使用更现代的API：

import tensorflow as tf
import tensorflow_hub as hub

def get_2k_descriptor(im):
    image = tf.image.convert_image_dtype(im, tf.float32)
    # TF2.x版本的模型加载方式
    model = hub.load("https://tfhub.dev/google/imagenet/resnet_v2_101/feature_vector/1")
    height, width = hub.get_expected_image_size(model)
    resized_image = tf.image.resize(image, [height, width])
    expanded_image = tf.expand_dims(resized_image, 0)
    features = model(expanded_image)
    # 转换为numpy数组方便后续处理
    feature_vector = tf.squeeze(features).numpy()
    return feature_vector

内容的提问来源于stack exchange，提问作者naman kothari