如何在TensorFlow推理阶段传入自定义图像？附推理模型代码

嘿，我帮你梳理下怎么把自定义图像传入这个推理模型里，核心就是把图像转换成模型预期的输入格式，再喂进inference函数就行，一步步来：

第一步：对齐训练时的图像预处理逻辑 #

模型的输入images是符合训练规格的张量，自定义图像必须先做和训练完全一致的预处理，不然推理结果会跑偏：

• 读取并转换图像格式：用PIL或OpenCV读取图像，确保通道顺序和训练时一致（比如训练用RGB就转成RGB），示例代码：

  from PIL import Image
  img = Image.open("你的图像路径.jpg").convert('RGB')
  

• 调整图像尺寸：得匹配模型的输入尺寸，从你代码里的coarse1卷积（11x11核、步长4的VALID padding）推测，训练时输入可能是227x227（类似AlexNet输入），所以把图像resize到对应尺寸：

  target_size = (227, 227)  # 换成你训练时实际用的输入尺寸
  img = img.resize(target_size)
  

• 归一化像素值：和训练时的预处理逻辑对齐，比如训练时把像素缩到0-1范围：

  import numpy as np
  img_array = np.array(img) / 255.0  # 从0-255映射到0-1
  

• 增加Batch维度：模型的images输入是批量张量（形状为[batch_size, height, width, channels]），单张图像要扩展成[1, h, w, 3]：

  import tensorflow as tf
  img_tensor = tf.convert_to_tensor(img_array, dtype=tf.float32)
  img_tensor = tf.expand_dims(img_tensor, axis=0)
  

第二步：调用推理函数执行预测 #

预处理好的张量可以直接传给inference函数了，注意推理时要设置trainable=False（让BN、Dropout等层切换到推理状态），reuse参数根据场景设置：第一次构建图设False，加载预训练权重后复用变量设True。

完整的推理示例代码：

import tensorflow as tf
from PIL import Image
import numpy as np

# 先保留你的conv2d和inference函数实现
def conv2d(name, inputs, kernel_shape, bias_shape, strides, padding, reuse, trainable):
    with tf.variable_scope(name, reuse=reuse):
        kernel = tf.get_variable('kernel', kernel_shape, trainable=trainable)
        bias = tf.get_variable('bias', bias_shape, trainable=trainable)
        conv = tf.nn.conv2d(inputs, kernel, strides=strides, padding=padding)
        return tf.nn.bias_add(conv, bias)

def inference(images, reuse=False, trainable=True):
    coarse1_conv = conv2d('coarse1', images, [11, 11, 3, 96], [96], [1, 4, 4, 1], padding='VALID', reuse=reuse, trainable=trainable)
    coarse1 = tf.nn.max_pool(coarse1_conv, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1], padding='VALID', name='pool1')
    # 补全你剩下的模型结构代码
    # ...
    return coarse1  # 替换成你的模型实际输出层

# 封装预处理函数
def preprocess_image(image_path, target_size=(227, 227)):
    img = Image.open(image_path).convert('RGB')
    img = img.resize(target_size)
    img_array = np.array(img) / 255.0
    img_tensor = tf.convert_to_tensor(img_array, dtype=tf.float32)
    return tf.expand_dims(img_tensor, axis=0)

# 执行推理流程
with tf.Graph().as_default():
    # 加载并预处理自定义图像
    input_img = preprocess_image("test_image.jpg")
    # 调用推理函数，开启推理模式
    model_output = inference(input_img, reuse=False, trainable=False)
    
    # 加载训练好的模型权重
    saver = tf.train.Saver()
    with tf.Session() as sess:
        # 替换成你的模型checkpoint文件路径
        saver.restore(sess, "./trained_model.ckpt")
        # 运行得到推理结果
        result = sess.run(model_output)
        print("推理输出结果：", result)

关键注意点 #

• 严格对齐预处理：尺寸、归一化方式、通道顺序必须和训练时完全一致，这是推理结果准确的核心前提
• 推理模式切换：trainable=False会让模型中的BatchNorm、Dropout等层切换到推理状态，避免干扰结果
• 变量复用：如果在已有的计算图中重复调用inference，要设置reuse=True，否则会报变量重复定义的错误

内容的提问来源于stack exchange，提问作者Roarer