Я пытаюсь построить две аналогичные модели, предсказывающие разные типы выходных данных. Один предсказывает между двумя категориями, а другой имеет шесть категорий вывода. Их входные данные одинаковы, и они являются LSTM RNN.Создание нескольких моделей на одном графике
Я разделил обучение и прогнозирование на отдельные функции в каждом из своих файлов model1.py, model2.py.
Я допустил ошибку, назвав переменные в каждой модели тем же самым, чтобы при вызове pred1 и предсказывать2 из model1 и model2 соответственно я получаю следующую ошибку пространства имен: ValueError: Variable W уже существует, запрещен. Вы хотели установить reuse = True в VarScope? Первоначально определено по адресу:
Где W - название матрицы весов.
Есть ли хороший способ управлять этими прогнозами с одного и того же места? Я попытался переименовать переменные, но все равно получить следующую ошибку. Не похоже, что можно назвать lstm_cell на его создании, не так ли?
ValueError: Variable RNN/BasicLSTMCell/Linear/Matrix already exists
EDIT: После того, как по определению объема вокруг model1pred и model2pred в предсказания файла я получаю следующее сообщение об ошибке при вызове model1pred() затем model2pred()
tensorflow.python.framework.errors.NotFoundError: Tensor name model1/model1/BasicLSTMCell/Linear/Matrix" not found in checkpoint files './variables/model1.chk
EDIT: код включен здесь. Код в model2.py отсутствует, но эквивалентен в model1.py, за исключением n_classes = 2, а внутри функции dynamicRNN и внутри pred область имеет значение 'model2'.
РЕШЕНИЕ: Проблема была в графике, который хранитель пытался восстановить включенные переменные из первого выполнения pred(). Мне удалось обернуть вызовы пред-функций на разных графиках, чтобы решить проблему, устраняя необходимость изменения переменных.
В Collect предсказаниями файл:
def model1pred(test_x, test_seqlen):
from model1 import pred
with tf.Graph().as_default():
return pred(test_x, test_seqlen)
def model2pred(test_x, test_seqlen):
from model2 import pred
with tf.Graph().as_default():
return pred(test_x, test_seqlen)
##Import test_x, test_seqlen
probs1, preds1 = model1pred(test_x, test_seq)
probs2, cpreds2 = model2Pred(test_x, test_seq)
В model1.py
def dynamicRNN(x, seqlen, weights, biases):
n_steps = 10
n_input = 14
n_classes = 6
n_hidden = 100
# Prepare data shape to match `rnn` function requirements
# Current data input shape: (batch_size, n_steps, n_input)
# Required shape: 'n_steps' tensors list of shape (batch_size, n_input)
# Permuting batch_size and n_steps
x = tf.transpose(x, [1, 0, 2])
# Reshaping to (n_steps*batch_size, n_input)
x = tf.reshape(x, [-1,n_input])
# Split to get a list of 'n_steps' tensors of shape (batch_size, n_input)
x = tf.split(0, n_steps, x)
# Define a lstm cell with tensorflow
lstm_cell = rnn_cell.BasicLSTMCell(n_hidden, forget_bias=1.0)
# Get lstm cell output, providing 'sequence_length' will perform dynamic calculation.
outputs, states = tf.nn.rnn(lstm_cell, x, dtype=tf.float32, sequence_length=seqlen)
# When performing dynamic calculation, we must retrieve the last
# dynamically computed output, i.e, if a sequence length is 10, we need
# to retrieve the 10th output.
# However TensorFlow doesn't support advanced indexing yet, so we build
# a custom op that for each sample in batch size, get its length and
# get the corresponding relevant output.
# 'outputs' is a list of output at every timestep, we pack them in a Tensor
# and change back dimension to [batch_size, n_step, n_input]
outputs = tf.pack(outputs)
outputs = tf.transpose(outputs, [1, 0, 2])
# Hack to build the indexing and retrieve the right output.
batch_size = tf.shape(outputs)[0]
# Start indices for each sample
index = tf.range(0, batch_size) * n_steps + (seqlen - 1)
# Indexing
outputs = tf.gather(tf.reshape(outputs, [-1, n_hidden]), index)
# Linear activation, using outputs computed above
return tf.matmul(outputs, weights['out']) + biases['out']
def pred(test_x, test_seqlen):
with tf.Session() as sess:
n_steps = 10
n_input = 14
n_classes = 6
n_hidden = 100
weights = {'out': tf.Variable(tf.random_normal([n_hidden, n_classes]), name='W1')}
biases = {'out': tf.Variable(tf.random_normal([n_classes]), name='b1')}
x = tf.placeholder("float", [None, n_steps, n_input])
y = tf.placeholder("float", [None, n_classes])
seqlen = tf.placeholder(tf.int32, [None])
pred = dynamicRNN(x, seqlen, weights, biases)
saver = tf.train.Saver(tf.all_variables())
y_p =tf.argmax(pred,1)
init = tf.initialize_all_variables()
sess.run(init)
saver.restore(sess,'./variables/model1.chk')
y_prob, y_pred= sess.run([pred, y_p], feed_dict={x: test_x, seqlen: test_seqlen})
y_prob = np.array([softmax(x) for x in y_prob])
return y_prob, y_pred
'
Возможно, создать одну из моделей в пользовательском [variable_scope] (https://www.tensorflow.org/versions/r0.10/how_tos/variable_scope/index.html) блоке? –
Вам действительно нужна гигантская проза, чтобы объяснить вашу проблему? Подумайте о том, чтобы разделить вопрос, где одна часть легко увидеть, в чем суть вашей проблемы, а не бросать много строк кода или объяснять мотивацию вашей проблемы. Этот сайт больше посвящен кодированию, поэтому постарайтесь сосредоточиться на этом. –
Также ваш заголовок вашего вопроса кажется довольно широким, в то время как детали кажутся довольно конкретными. Можете ли вы изменить заголовок, чтобы лучше понять, о чем идет речь? –