tensorflow从已经训练好的模型中,恢复(指定)权重(构建新变量、网络)并继续训练(finetuning)

之前已经写了一篇《Tensorflow保存模型,恢复模型,使用训练好的模型进行预测和提取中间输出(特征)》,里面主要讲恢复模型然后使用该模型

假如要保存或者恢复指定tensor,并且把保存的graph恢复(插入)到当前的graph中呢?

总的来说,目前我会的是两种方法,命名都是很关键!
两种方式保存模型,
1.保存所有tensor,即整张图的所有变量,
2.只保存指定scope的变量
两种方式恢复模型,
1.导入模型的graph,用该graph的saver来restore变量
2.在新的代码段中写好同样的模型(变量名称及scope的name要对应),用默认的graph的saver来restore指定scope的变量


两种保存方式:
1.保存整张图,所有变量

...
init = tf.global_variables_initializer()
saver = tf.train.Saver()
config = tf.ConfigProto()
config.gpu_options.allow_growth=True
with tf.Session(config=config) as sess:
  sess.run(init)
  ...
  writer.add_graph(sess.graph)
  ...
  saved_path = saver.save(sess,saver_path)
  ...

2.保存图中的部分变量

...
init = tf.global_variables_initializer()
vgg_ref_vars = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, scope='vgg_feat_fc')#获取指定scope的tensor
saver = tf.train.Saver(vgg_ref_vars)#初始化saver时,传入一个var_list的参数
config = tf.ConfigProto()
config.gpu_options.allow_growth=True
with tf.Session(config=config) as sess:
  sess.run(init)
  ...
  writer.add_graph(sess.graph)
  ...
  saved_path = saver.save(sess,saver_path)
  ...


两种恢复方式:
1.导入graph来恢复

...
vgg_meta_path = params['vgg_meta_path'] # 后缀是'.ckpt.meta'的文件
vgg_graph_weight = params['vgg_graph_weight'] # 后缀是'.ckpt'的文件,里面是各个tensor的值
saver_vgg = tf.train.import_meta_graph(vgg_meta_path) # 导入graph到当前的默认graph中,返回导入graph的saver
x_vgg_feat = tf.get_collection('inputs_vgg')[0] #placeholder, [None, 4096],获取输入的placeholder
feat_decode = tf.get_collection('feat_encode')[0] #[None, 1024],获取要使用的tensor
"""
以上两个获取tensor的方式也可以为:
graph = tf.get_default_graph()
centers = graph.get_tensor_by_name('loss/intra/center_loss/centers:0')
当然,前提是有tensor的名字
"""
...
init = tf.global_variables_initializer()
saver = tf.train.Saver() # 这个是当前新图的saver
config = tf.ConfigProto()
config.gpu_options.allow_growth=True
with tf.Session(config=config) as sess:
  sess.run(init)
  ...
  saver_vgg.restore(sess, vgg_graph_weight)#使用导入图的saver来恢复
  ...

2.重写一样的graph,然后恢复指定scope的变量

def re_build():#重建保存的那个graph
  with tf.variable_scope('vgg_feat_fc'): #没错,这个scope要和需要恢复模型中的scope对应
  ...
  return ...

...
vgg_ref_vars = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, scope='vgg_feat_fc') # 既然有这个scope,其实第1个方法中,导入graph后,可以不用返回的vgg_saver,再新建一个指定var_list的vgg_saver就好了,恩,需要传入一个var_list的参数
...
init = tf.global_variables_initializer()
saver_vgg = tf.train.Saver(vgg_ref_vars) # 这个是要恢复部分的saver
saver = tf.train.Saver() # 这个是当前新图的saver
config = tf.ConfigProto()
config.gpu_options.allow_growth=True
with tf.Session(config=config) as sess:
  sess.run(init)
  ...
  saver_vgg.restore(sess, vgg_graph_weight)#使用导入图的saver来恢复
  ...

总结一下,这里的要点就是,在restore的时候,saver要和模型对应,如果直接用当前graph的saver = tf.train.Saver(),来恢复保存模型的权重saver.restore(vgg_graph_weight),就会报错,提示key/tensor ... not found之类的错误;
写graph的时候,一定要注意写好scope和tensor的name,合理插入variable_scope; 

最方便的方式还是,用第1种方式来保存模型,这样就不用重写代码段了,然后第1种方式恢复,不过为了稳妥,最好还是通过获取var_list,指定saver的var_list,妥妥的!



最新发现,用第1种方式恢复时,要记得当前的graph和保存的模型中没有重名的tensor,否则当前graph的tensor name可能不是那个name,可能在后面加了"_1"....-_-||


在恢复图基础上构建新的网络(变量)并训练(finetuning)(2017.11.9更新)

恢复模型graph和weights在上面已经说了,这里的关键点是怎样只恢复原图的权重 ,并且使optimizer只更新新构造变量(指定层、变量)

(以下code与上面没联系)

    """1.Get input, output , saver and graph"""#从导入图中获取需要的东西
    meta_path_restore = model_dir + '/model_'+model_version+'.ckpt.meta'
    model_path_restore = model_dir + '/model_'+model_version+'.ckpt'
    saver_restore = tf.train.import_meta_graph(meta_path_restore) #获取导入图的saver,便于后面恢复
    graph_restore = tf.get_default_graph() #此时默认图就是导入的图
    #从导入图中获取需要的tensor
    #1. 用collection来获取
    input_x = tf.get_collection('inputs')[0]
    input_is_training = tf.get_collection('is_training')[0]
    output_feat_fused = tf.get_collection('feat_fused')[0]
    #2. 用tensor的name来获取
    input_y = graph_restore.get_tensor_by_name('label_exp:0')
    print('Get tensors...')
    print('inputs shape: {}'.format(input_x.get_shape().as_list()))
    print('input_is_training shape: {}'.format(input_is_training.get_shape().as_list()))
    print('output_feat_fused shape: {}'.format(output_feat_fused.get_shape().as_list()))


    """2.Build new variable for fine tuning"""#构造新的variables用于后面的finetuning
    graph_restore.clear_collection('feat_fused') #删除以前的集合,假如finetuning后用新的代替原来的
    graph_restore.clear_collection('prob')
    #添加新的东西
    if F_scale is not None and F_scale!=0:
        print('F_scale is not None, value={}'.format(F_scale))
        feat_fused = Net_normlize_scale(output_feat_fused, F_scale)
        tf.add_to_collection('feat_fused',feat_fused)#重新添加到新集合
    logits_fused = last_logits(feat_fused,input_is_training,7) # scope name是"final_logits"


   """3.Get acc and loss"""#构造损失
    with tf.variable_scope('accuracy'):
        accuracy,prediction = ...
    with tf.variable_scope('loss'):
        loss = ...

    """4.Build op for fine tuning"""
    global_step = tf.Variable(0, trainable=False,name='global_step')
    learning_rate = tf.train.exponential_decay(initial_lr,
                                               global_step=global_step,
                                               decay_steps=decay_steps,
                                               staircase=True,
                                               decay_rate=0.1)
    update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)
    with tf.control_dependencies(update_ops):
        var_list = tf.contrib.framework.get_variables('final_logits')#关键!获取指定scope下的变量
        train_op = tf.train.MomentumOptimizer(learning_rate=learning_rate,momentum=0.9).minimize(loss,global_step=global_step,var_list=var_list) #只更新指定的variables
    """5.Begin training"""
    init = tf.global_variables_initializer()
    saver = tf.train.Saver()
    config = tf.ConfigProto()
    config.gpu_options.allow_growth=True
    with tf.Session(config=config) as sess:
        sess.run(init)
        saver_restore.restore(sess, model_path_restore) #这里saver_restore对应导入图的saver, 如果用上面新的saver的话会报错 因为多出了一些新的变量 在保存的模型中是没有那些权值的
        sess.run(train_op, feed_dict)
	.......
    

再说明下两个关键点:

1. 如何在新图的基础上 只恢复 导入图的权重 ?

用导入图的saver: saver_restore

2. 如何只更新指定参数?

用var_list = tf.contrib.framework.get_variables(scope_name)获取指定scope_name下的变量,

然后optimizer.minimize()时传入指定var_list



附:如何知道tensor名字以及获取指定变量?

1.获取某个操作之后的输出

graph.get_operations()获取所有op

比如<tf.Operation 'common_conv_xxx_net/common_conv_net/flatten/Reshape' type=Reshape>,

那么output_pool_flatten = graph_restore.get_tensor_by_name('common_conv_xxx_net/common_conv_net/flatten/Reshape:0')就是那个位置经过flatten后的输出了

2.获取指定的var的值

用GraphKeys获取变量

tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES)返回指定集合的变量

比如 <tf.Variable 'common_conv_xxx_net/final_logits/logits/biases:0' shape=(7,) dtype=float32_ref>

那么var_logits_biases = graph_restore.get_tensor_by_name('common_conv_xxx_net/final_logits/logits/biases:0')就是那个位置的biases了

3.获取指定scope的collection

tf.get_collection(tf.GraphKeys.REGULARIZATION_LOSSES,scope='common_conv_xxx_net.final_logits')

注意后面的scope是xxx.xxx不是xxx/xxx





发布了45 篇原创文章 · 获赞 89 · 访问量 27万+
展开阅读全文

没有更多推荐了,返回首页

©️2019 CSDN 皮肤主题: 编程工作室 设计师: CSDN官方博客

分享到微信朋友圈

×

扫一扫,手机浏览