Я строю сверточную нейронную сеть с Tensorflow.Tensorflow восстановление именных переменных
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
Да, это работает, но это действительно громоздкий способ восстановления моделей, я надеюсь, что они придумают лучший способ. –
«MetaGraphDef» разработан как формат сериализации для всех моделей, включает структуру модели и контрольно-пропускные пункты, и это менее громоздкий способ делать то, что вы пытаетесь сделать. Взгляните на [учебник] (https://www.tensorflow.org/versions/r0.10/how_tos/meta_graph/index.html) для получения дополнительной информации. – mrry