我正在做一个通过 Tensorflow 提升(4 层 DNN 到 5 层 DNN)的例子。我在 TF 中使用保存 session 和恢复来实现它，因为 TF tute 中有一个简短的段落: '例如，你可能已经训练了一个 4 层的神经网络，现在你想训练一个 5 层的新模型，将先前训练模型的 4 层的参数恢复到新模型的前 4 层。 '，tensorflow tute 在 https://www.tensorflow.org/how_tos/variables/ 中受到启发.

但是，我发现当检查点保存 4 层参数时，没有人问过如何使用“恢复”，但我们需要将其放入 5 层，这引起了一个危险信号。

用真实的代码制作，我制作了

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)

其中变量在“fcl1”中(或从中调用) - 因此我有“fcl1/Variable”和“fcl1/Variable_1”用于权重和偏差 -“fcl2”、“fclf”和“outputl”存储在脚本中的 saver.save() 没有“提升”层。然而，由于我们现在有“提升”层，saver.restore(sess, "saved_models/model_list.ckpt") 不能正常工作

NotFoundError: Key boosting/Variable_1 not found in checkpoint

我真的很希望听到这个问题。谢谢你。 下面的代码是我遇到麻烦的代码的主要部分。

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)

为了清楚起见，检查点文件有

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

因为原始的 4 层模型没有“提升”层。

最佳答案

在这种情况下，从检查点读取提升值看起来不对，我认为这不是你想要做的。显然您遇到了错误，因为在恢复变量时您首先捕获了模型中所有变量的列表，然后您在检查点中查找相应的变量，而检查点中没有这些变量。

您可以通过定义模型变量的子集来仅恢复模型的一部分。例如，您可以使用 tf.slim 库来完成。获取模型中的变量列表:

variables = slim.get_variables_to_restore()

现在变量是一个张量列表，但对于每个元素，您都可以访问其名称属性。使用它你可以指定你只想恢复层而不是提升，例如:

variables_to_restore = [v for v in variables if v.name.split('/')[0]!='boosting'] 
model_path = 'your/model/path'

saver = tf.train.Saver(variables_to_restore)

with tf.Session() as sess:
    saver.restore(sess, model_path)

这样您将恢复 4 层。从理论上讲，您可以尝试通过创建另一个服务器来从检查点捕获其中一个变量的值，该服务器只会在变量列表中进行提升并从检查点重命名所选变量，但我真的认为这不是您在这里需要的。

由于这是您的模型的自定义图层，并且您在任何地方都没有此变量，因此只需在您的工作流程中对其进行初始化，而不是尝试导入它。例如，您可以在调用函数 fully_connected 时传递此参数:

weights_initializer = slim.variance_scaling_initializer()

不过您需要自己检查详细信息，因为我不确定您的导入是什么以及您在这里使用的是哪个函数。

一般来说，我建议你看看 slim library，它会让你更容易地为层定义模型和范围(而不是用 with 定义它，你可以在调用函数时传递一个范围参数).它看起来像 slim:

boost = slim.fully_connected(input, number_of_outputs, activation_fn=None, scope='boosting', weights_initializer=slim.variance_scaling_initializer())

关于python - 恢复作为 Tensorflow 中新模型子集的变量？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/42217320/