Tensorflow восстановление именных переменных

Question

Я строю сверточную нейронную сеть с Tensorflow.

def weight_variable(shape): 
    initial = tf.truncated_normal(shape, stddev=0.1) 
    return tf.Variable(initial,name = 'weights') 

def bias_variable(shape): 
    initial = tf.constant(0.1, shape=shape) 
    return tf.Variable(initial, name = 'biases') 

def conv2d(x, W): 
    return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME') 

def max_pool_2x2(x): 
    return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], 
         strides=[1, 2, 2, 1], padding='SAME') 

with tf.Graph().as_default(): 
    with tf.name_scope('convolution1'): 
     W_conv1 = weight_variable([5, 5, 1, 32]) 
     b_conv1 = bias_variable([32]) 

    x = tf.placeholder(tf.float32, shape=[None, 96*96]) 
    y_ = tf.placeholder(tf.float32, shape=[None, 30]) 
    x_image = tf.reshape(x, [-1,96,96,1]) 

    h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1) 
    h_pool1 = max_pool_2x2(h_conv1) 

    with tf.name_scope('convolution2'): 
     W_conv2 = weight_variable([5, 5, 32, 64]) 
     b_conv2 = bias_variable([64]) 

    h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2) 
    h_pool2 = max_pool_2x2(h_conv2) 

    with tf.name_scope('connected'): 
     W_fc1 = weight_variable([24 * 24 * 64, 1024]) 
     b_fc1 = bias_variable([1024]) 

    h_pool2_flat = tf.reshape(h_pool2, [-1, 24*24*64]) 
    h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1) 

    keep_prob = tf.placeholder(tf.float32) 
    h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob) 

    with tf.name_scope('output'): 
     W_fc2 = weight_variable([1024, 30]) 
     b_fc2 = bias_variable([30]) 

После этого я делаю некоторые вычисления и обучение и сохраняю все переменные.

Теперь я воссоздать ту же структуру графа в другой программе

ПРОГРАММА 2 сниппет

tf.reset_default_graph() 

x = tf.placeholder(tf.float32, shape=[None, 96*96]) 
x_image = tf.reshape(x, [-1,96,96,1]) 
y_ = tf.placeholder(tf.float32, shape=[None, 30]) 

with tf.name_scope('convolution1'): 
    W_conv1 = tf.Variable(-1.0, validate_shape = False, name = 'weights') 
    b_conv1 = tf.Variable(-1.0, validate_shape = False, name = 'biases') 

with tf.name_scope('convolution2'): 
    W_conv2 = tf.Variable(-1.0, validate_shape = False, name = 'weights') 
    b_conv2 = tf.Variable(-1.0, validate_shape = False, name = 'biases') 

with tf.name_scope('connected'): 
    W_fc1 = tf.Variable(-1.0, validate_shape = False, name = 'weights') 
    b_fc1 = tf.Variable(-1.0, validate_shape = False, name = 'biases') 

with tf.name_scope('output'): 
    W_fc2 = tf.Variable(-1.0, validate_shape = False, name = 'weights') 
    b_fc2 = tf.Variable(-1.0, validate_shape = False, name = 'biases') 

session = tf.Session() 
saver = tf.train.Saver() 
saver.restore(session, 'my-model-2000') 
vars_list = tf.get_collection(tf.GraphKeys.VARIABLES) 

h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1) 
h_pool1 = max_pool_2x2(h_conv1) 
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2) 
h_pool2 = max_pool_2x2(h_conv2) 
h_pool2_flat = tf.reshape(h_pool2, [-1, 24*24*64]) 
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1) 
y_convtry = tf.matmul(h_fc1, W_fc2) + b_fc2 
y_conv_alternate = 95.99*tf.ones_like(y_convtry) 
y_conv = tf.select(tf.greater(y_convtry, y_conv_alternate), y_conv_alternate, y_convtry) 

cost = tf.reduce_mean(tf.sqrt(tf.reduce_sum(tf.square(tf.select(tf.is_nan(y_), y_conv, y_) - y_conv), reduction_indices=[1]))) 

train_step = tf.train.AdamOptimizer(1e-4).minimize(cost,var_list = vars_list) 

Проблема заключается в том, что переменные в vars_list, когда я пытаюсь получить свою форму, они до сих пор не показывают ни, но работает:

vars_list[i].eval(session = session) 

дает правильный ответ, так что восстановление w orking.

Мой вопрос: почему не vars_list [i] .get_shape() дает неправильный ответ tf.shape (vars_list [i]) тоже не работает.

Это проблема, потому что когда я использую

tf.AdamOptimizer.minimize(cost) //This internally call var.get_shape() and throws error 

Answer 1

При установке validate_shape=False о создании tf.Variable, это говорит о том TensorFlow, что переменная может содержать любую форму данных, и позволяет (например) для восстановления произвольно сформированные данные контрольной точки в переменные. Тем не менее, это обеспечивает TensorFlow без статической информации о формах переменных, которые (например) AdamOptimizer.minimize() использует для создания игровых слотов соответствующей формы.

Лучшим решением будет использовать тот же код для создания переменных, которые вы использовали в первой программе, то есть

with tf.name_scope('convolution1'): 
    W_conv1 = weight_variable([5, 5, 1, 32]) 
    b_conv1 = bias_variable([32]) 

... и так далее. Функции инициализации для этих переменных никогда не будут выполняться, поэтому нет никаких дополнительных затрат на его запись таким образом.