Я делаю пример для повышения (4 слоя DNN до 5 слоев DNN) через Tensorflow. Я делаю это с сеансом сохранения и восстановления в TF, потому что в TF есть короткий абзац: «Например, вы можете обучить нейронную сеть с 4 слоями, и теперь вы хотите обучить новую модель с 5 слоями, восстанавливая параметры из 4 слоев ранее обученной модели в первые 4 слоя новой модели. ', где тензорный поток работает в https://www.tensorflow.org/how_tos/variables/.Восстановить переменные, которые являются подмножеством новой модели в Tensorflow?
Однако, я обнаружил, что никто не спросил, как использовать «восстановление», когда контрольная точка сохраняет параметры 4-х слоев, но нам нужно поместить их в 5 слоев, подняв красный флаг.
Создание этого в реальном коде, я сделал
with tf.name_scope('fcl1'):
hidden_1 = fully_connected_layer(inputs, train_data.inputs.shape[1], num_hidden)
with tf.name_scope('fcl2'):
hidden_2 = fully_connected_layer(hidden_1, num_hidden, num_hidden)
with tf.name_scope('fclf'):
hidden_final = fully_connected_layer(hidden_2, num_hidden, num_hidden)
with tf.name_scope('outputl'):
outputs = fully_connected_layer(hidden_final, num_hidden, train_data.num_classes, tf.identity)
outputs = tf.nn.softmax(outputs)
with tf.name_scope('boosting'):
boosts = fully_connected_layer(outputs, train_data.num_classes, train_data.num_classes, tf.identity)
где переменные внутри (или вызывается из) «fcl1» - так что у меня есть «fcl1/Variable» и «fcl1/Variable_1» для веса и смещения - 'fcl2', 'fclf' и 'outputl' сохраняются saver.save() в скрипте без слоя «boosting». Однако, как мы сейчас «повышение» слой, saver.restore (Sess, «saved_models/model_list.ckpt») не работает, как
NotFoundError: Key boosting/Variable_1 not found in checkpoint
Я действительно надеюсь услышать об этой проблеме. Спасибо. Ниже код является основной частью кода, в котором я попал.
def fully_connected_layer(inputs, input_dim, output_dim, nonlinearity=tf.nn.relu):
weights = tf.Variable(
tf.truncated_normal(
[input_dim, output_dim], stddev=2./(input_dim + output_dim)**0.5),
'weights')
biases = tf.Variable(tf.zeros([output_dim]), 'biases')
outputs = nonlinearity(tf.matmul(inputs, weights) + biases)
return outputs
inputs = tf.placeholder(tf.float32, [None, train_data.inputs.shape[1]], 'inputs')
targets = tf.placeholder(tf.float32, [None, train_data.num_classes], 'targets')
with tf.name_scope('fcl1'):
hidden_1 = fully_connected_layer(inputs, train_data.inputs.shape[1], num_hidden)
with tf.name_scope('fcl2'):
hidden_2 = fully_connected_layer(hidden_1, num_hidden, num_hidden)
with tf.name_scope('fclf'):
hidden_final = fully_connected_layer(hidden_2, num_hidden, num_hidden)
with tf.name_scope('outputl'):
outputs = fully_connected_layer(hidden_final, num_hidden, train_data.num_classes, tf.identity)
with tf.name_scope('error'):
error = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(outputs, targets))
with tf.name_scope('accuracy'):
accuracy = tf.reduce_mean(tf.cast(
tf.equal(tf.argmax(outputs, 1), tf.argmax(targets, 1)),
tf.float32))
with tf.name_scope('train'):
train_step = tf.train.AdamOptimizer().minimize(error)
init = tf.global_variables_initializer()
saver = tf.train.Saver()
with tf.Session() as sess:
sess.run(init)
saver.restore(sess, "saved_models/model.ckpt")
print("Model restored")
print("Optimization Starts!")
for e in range(training_epochs):
...
#Save model - save session
save_path = saver.save(sess, "saved_models/model.ckpt")
### I once saved the variables using var_list, but didn't work as well...
print("Model saved in file: %s" % save_path)
Для ясности, файл контрольной точки имеет
fcl1/Variable:0
fcl1/Variable_1:0
fcl2/Variable:0
fcl2/Variable_1:0
fclf/Variable:0
fclf/Variable_1:0
outputl/Variable:0
outputl/Variable_1:0
В качестве исходной модели 4 слоя не имеет 'Активизации' слой.
Вы можете восстановить модель с помощью 'параметр var_list' в' tf.Saver' [конструктор] (https://www.tensorflow.org/api_docs/python/state_ops/saving_and_restoring_variables). После этого вы будете должным образом инициализировать уровень 5. – drpng