我知道如何从Tensorflow Hub加载预训练的图像模型。像这样：
#load model
image_module = hub.Module('https://tfhub.dev/google/imagenet/mobilenet_v2_035_128/feature_vector/2')
#get predictions
features = image_module(batch_images)
我也知道如何自定义该模型的输出（在新数据集上进行微调）。现有的
Modules期望输入batch_images是RGB图像张量。我的问题：我想使用张量（来自不同模型的20x20x128的尺寸）作为Hub模型的输入，而不是输入特定尺寸的RGB图像。这意味着我需要绕过tf-hub模型定义的初始层（我不需要它们）。在tf-hub模块api中有可能吗？关于这方面的文档尚不清楚。
附注：我可以轻松地通过定义自己的图层来做到这一点，但尝试查看我是否可以使用Tf-Hub API。
最佳答案
现有的https://tfhub.dev/google/imagenet/ ...模块不支持此功能。
一般而言，hub.Module格式允许多个签名（即输入/输出张量的组合；如tf.Session.run（）中那样考虑提要和获取）。因此，如果有他们想要支持的通用使用模式，则模块发布者可以安排这些。
但是对于这种复杂程度的自由形式实验，您最好直接使用和调整定义模型的代码，例如TF Slim（对于TF1.x）或Keras Applications（也对于TF2）。两者都提供Imagenet预训练的检查点，可在侧面进行下载和还原。
关于tensorflow - 自定义Tensorflow Hub模块的输入，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/56216553/