前幾篇部落格寫了如何處理資料，如何把用自己的資料訓練VGG-16，如何把訓練好的模型儲存。而在實際應用中，並不是所有的操作都是為了分類的，有時候需要提取影象的特徵，那麼怎麼利用已經儲存的模型提取特徵呢？

   “桃葉兒尖上尖，柳葉兒就遮滿了天”

    測試資料轉換成tfrecords，教程：點選開啟連結

    儲存訓練好的VGG-16模型，教程：點選開啟連結

1、讀取測試資料

      首先把測試資料轉換成tfrecords，然後讀取出來，程式碼和前面部落格寫的一致：      

#讀取檔案
def read_and_decode(filename,batch_size):
    #根據檔名生成一個佇列
    filename_queue = tf.train.string_input_producer([filename])

    reader = tf.TFRecordReader()
    _, serialized_example = reader.read(filename_queue)   #返回檔名和檔案
    features = tf.parse_single_example(serialized_example,
                                       features={
                                           'label': tf.FixedLenFeature([], tf.int64),
                                           'img_raw' : tf.FixedLenFeature([], tf.string),
                                       })

    img = tf.decode_raw(features['img_raw'], tf.uint8)
    img = tf.reshape(img, [300, 300, 3])                #影象歸一化大小
   # img = tf.cast(img, tf.float32) * (1. / 255) - 0.5   #影象減去均值處理
    label = tf.cast(features['label'], tf.int32)        

    #特殊處理

    img_batch, label_batch = tf.train.shuffle_batch([img, label],
                                                    batch_size= batch_size,
                                                    num_threads=64,
                                                    capacity=2000,
                                                    min_after_dequeue=1500)
    return img_batch, tf.reshape(label_batch,[batch_size])
 

2、調取儲存的訓練好的VGG-16模型

    最核心的部分是使用saver類中的restore方法，核心程式碼如下：

    saver = tf.train.import_meta_graph("model/checkpoint/model.ckpt.meta")    #注意路徑

    saver.restore(sess, "./model/checkpoint/model.ckpt")     #儲存模型的路徑

3、把測試資料傳進去模型提取特徵

     利用的是graph.get_tensor_by_name(“名字”)，則首先獲取模型中佔位符，然後將測試資料傳進去，這是最核心的地方，想要提取特徵也是通過名字獲取張量，比如要提取fc7的特徵，則fc7_features=graph.get_tensor_by_name("fc7:0") 。核心程式碼如下：

    graph = tf.get_default_graph()  #獲取恢復模型的圖模型
    x_holder = graph.get_tensor_by_name("x_holder:0")  #    獲取佔位符
    fc7_features=graph.get_tensor_by_name("fc7:0")     #獲取要提取的特徵，用該層的名字
    keep_prob=graph.get_tensor_by_name("keep_prob:0")   #同上
    # 通過張量的名稱來獲取張量

    print(sess.run(fc7_features,feed_dict={x_holder:image,keep_prob:dropout}))  #給佔位符重新賦值，則可以提取輸入影象的特徵
    
 

4、完整的程式碼

     整個過程，博主用了好幾天的時間才調通，中間的心酸歷程就不多說了，直接放完整的提取特徵程式碼吧，如果想用儲存的模型做分類，而不是提特徵，則舉一反三，我覺得並不難，修改一下即可：

完整程式碼：

# -*- coding: utf-8 -*-
"""
Created on Mon Apr  2 17:12:00 2018

@author: Heroin 高永標，upc
"""

import tensorflow as tf

#讀取檔案
def read_and_decode(filename,batch_size):
    #根據檔名生成一個佇列
    filename_queue = tf.train.string_input_producer([filename])

    reader = tf.TFRecordReader()
    _, serialized_example = reader.read(filename_queue)   #返回檔名和檔案
    features = tf.parse_single_example(serialized_example,
                                       features={
                                           'label': tf.FixedLenFeature([], tf.int64),
                                           'img_raw' : tf.FixedLenFeature([], tf.string),
                                       })

    img = tf.decode_raw(features['img_raw'], tf.uint8)
    img = tf.reshape(img, [300, 300, 3])                #影象歸一化大小
   # img = tf.cast(img, tf.float32) * (1. / 255) - 0.5   #影象減去均值處理
    label = tf.cast(features['label'], tf.int32)        

    #特殊處理

    img_batch, label_batch = tf.train.shuffle_batch([img, label],
                                                    batch_size= batch_size,
                                                    num_threads=64,
                                                    capacity=2000,
                                                    min_after_dequeue=1500)
    return img_batch, tf.reshape(label_batch,[batch_size])

batch_size=4
dropout=1.0

tfrecords_file = 'train.tfrecords'     #儲存的測試資料
BATCH_SIZE = 4
image_batch, label_batch = read_and_decode(tfrecords_file,BATCH_SIZE)
#print(image_batch)


#sess=tf.InteractiveSession()
with tf.Session() as sess:
    coord = tf.train.Coordinator()  
    threads = tf.train.start_queue_runners(sess = sess,coord = coord)
    image,label=sess.run([image_batch,label_batch])  
    saver = tf.train.import_meta_graph("model/checkpoint/model.ckpt.meta")     #儲存的模型路徑
    saver.restore(sess, "./model/checkpoint/model.ckpt")
    graph = tf.get_default_graph()  
    x_holder = graph.get_tensor_by_name("x_holder:0")  #    獲取佔位符
    fc7_features=graph.get_tensor_by_name("fc7:0")     #獲取要提取的特徵，用名字
    keep_prob=graph.get_tensor_by_name("keep_prob:0")
    # 通過張量的名稱來獲取張量

    print(sess.run(fc7_features,feed_dict={x_holder:image,keep_prob:dropout}))  #給佔位符重新賦值
    
    sess.close()