昨天和今天在写inference的code，分别建立了2个sub network，要把2个graph load进tf，所以开了2个session。
后来说要convert caffe的参数，我也早就想问为啥不直接convert，而要重头复现。
但是前面的一些工作也没白费，模型搭建还是必须的，因为现成的转换模型不能转换caffe中的scale layer。anyway，可能可以自己在转换的代码中加入这么一个层的逻辑，但是后来想直接提取caffe模型的参数可能会更靠谱一些，save为numpy格式不就可以直接load进tf了？只需要改一下tf模型中的variable scope，或者直接指定saver的var_list。对于scale layer中的参数，额外写个逻辑处理掉就好了，就是更改对应的variable name为取出的caffe模型参数即可。
更改一下tf.concat的顺序就可以正确的inference了。
总结：不懂算法流程或者具体细节，要先pycharm debug，有图的要在jupyter notebook中查看中间结果，一步步深入到某个变量的具体结构。
其实原理都是很简单，就是做的过程要思路保持清晰，遇到问题要会分析出出错的源头在哪里！
是报错就Google，变着法子搜；如果分析可能是模型或者数据上出错了，就在pycharm活着jupyter中一步步的查看中间结果
网友评论