Question

我有一个正在训练的模型（它会经历步骤和时期并评估损失），但是权重却不在训练中。

我试图训练一个鉴别器，以区分图像是合成图像还是真实图像。这是GAN模型的一部分，我正在尝试构建。

基本结构如下：

我有两个输入： 1.图片（可以是真实的或合成的）2.标签（0代表真实，1代表合成）

Source Estimator是我从图像中提取特征的地方。我已经训练了模型并恢复了权重和偏见。这些图层是冻结的（不可训练）。

def SourceEstimator(eye, name, trainable = True):
  # source estimator and target representer shares the same structure.
  # SE is not trainable, while TR is.
  net = tf.layers.conv2d(eye, 32, 3, (1,1), padding='same', activation=tf.nn.leaky_relu, trainable=trainable, name=name+'_conv2d_1')
  net = tf.layers.conv2d(net, 32, 3, (1,1), padding='same', activation=tf.nn.leaky_relu, trainable=trainable, name=name+'_conv2d_2')
  net = tf.layers.conv2d(net, 64, 3, (1,1), padding='same', activation=tf.nn.leaky_relu, trainable=trainable, name=name+'_conv2d_3')
  c3 = net
  net = tf.layers.max_pooling2d(net, 3, (2,2), padding='same', name=name+'_maxpool_4')
  net = tf.layers.conv2d(net, 80, 3, (1,1), padding='same', activation=tf.nn.leaky_relu, trainable=trainable, name=name+'_conv2d_5')
  net = tf.layers.conv2d(net, 192, 3, (1,1), padding='same', activation=tf.nn.leaky_relu, trainable=trainable, name=name+'_conv2d_6')
  c5 = net
  return (c3, c5)

鉴别器如下：

def DiscriminatorModel(features, reuse=False):
  with tf.variable_scope('discriminator', reuse=tf.AUTO_REUSE):
    net = tf.layers.conv2d(features, 64, 3, 2, padding='same', kernel_initializer='truncated_normal', activation=tf.nn.leaky_relu, trainable=True, name='discriminator_c1')
    net = tf.layers.conv2d(net, 128, 3, 2, padding='same', kernel_initializer='truncated_normal', activation=tf.nn.leaky_relu, trainable=True, name='discriminator_c2')
    net = tf.layers.conv2d(net, 256, 3, 2, padding='same', kernel_initializer='truncated_normal', activation=tf.nn.leaky_relu, trainable=True, name='discriminator_c3')

    net = tf.contrib.layers.flatten(net)
    net = tf.layers.dense(net, units=1, activation=tf.nn.softmax, name='descriminator_out', trainable=True)
    return net

输入进入SourceEstimator模型并提取特征（c3，c5）。

然后，将c3和c5沿着通道轴串联起来，并传递给鉴别器模型。

c3, c5 = CommonModel(self.left_eye, 'el', trainable=False)
c5 = tf.image.resize_images(c5, size=(self.config.img_size,self.config.img_size))
features = tf.concat([c3, c5], axis=3)
##---------------------------------------- DISCRIMINATOR ------------------------------------------##
with tf.variable_scope('discriminator'):
    logit = DiscriminatorModel(features)

最后的损失和trainsops

##---------------------------------------- LOSSES ------------------------------------------##
with tf.variable_scope("discriminator_losses"):
  self.loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=logit, labels=self.label))

##---------------------------------------- TRAIN ------------------------------------------##
# optimizers
update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)
with tf.control_dependencies(update_ops):
    disc_optimizer = tf.train.AdamOptimizer(learning_rate = learning_rate)
    self.disc_op = disc_optimizer.minimize(self.loss, global_step=self.global_step_tensor, name='disc_op')

训练步伐和时代。我正在使用32个批处理大小。和数据生成器类一起获取图像的每一步。

def train_epoch(self):
    num_iter_per_epoch = self.train_data.get_size() // self.config.get('batch_size')
    loop = tqdm(range(num_iter_per_epoch))
    for i in loop:
        dloss = self.train_step(i)
        loop.set_postfix(loss='{:05.3f}'.format(dloss))

def train_step(self, i):
    el, label = self.train_data.get_batch(i)

    ## ------------------- train discriminator -------------------##
    feed_dict = {
            self.model.left_eye: el,
            self.model.label: label
    }
    _, dloss = self.sess.run([self.model.disc_op, self.model.loss], feed_dict=feed_dict)
    return dloss

模型经过各个步骤和各个阶段时，权重保持不变。

在训练步骤中损失有所波动，但每个时期的损失都是相同的。例如，如果我没有在每个时期都对数据集进行混洗，那么图的损失将遵循每个时期的相同模式。

我认为这意味着模型可以识别出不同的损失，但并没有根据损失来更新参数。

以下是我尝试过但没有帮助的其他事情：

尝试小型学习率和大型学习率（0.1和1e-8）
尝试使用SourceEstimator图层trainable == True
标签翻转（0 ==合成，1 ==真实）
增加了鉴别符的内核大小和过滤器大小。

我已经在这个问题上停留了一段时间，我真的需要一些见解。提前致谢。

------编辑1 -----

def initialize_uninitialized(sess):
    global_vars = tf.global_variables()
    is_initialized= sess.run([tf.is_variable_initialized(var) for var in global_vars])
    not_initialized_vars = [v for (v, f) in zip(global_vars, is_initialized) if not f]

    # for var in not_initialized_vars: # only for testing
    #    print(var.name)

    if len(not_initialized_vars):
        sess.run(tf.variables_initializer(not_initialized_vars))

self.sess = tf.Session()
## inbetween here I create data generator, model and restore pretrained model.
self.initilize_uninitialized(self.sess) 

for current_epoch in range(self.model.current_epoch_tensor.eval(self.sess), self.config.num_epochs, 1)
    self.train_epoch() # included above
    self.sess.run(self.model.increment_current_epoch_tensor)

Answer 1

我可以看到您正在session.run（）中调用最小化以及损失函数。您应该只调用minimum（）函数。即只有self.model.disc_op会在内部调用损失函数。另外，我在任何地方都看不到您的会话初始化调用。看到它只被调用一次。

查看更新的代码，我可以看到您将tf.is_variable_initialized（）调用等同于is_not_initialized。因此，它正在初始化那些已经初始化的变量。

Answer 2

我从来没有设法找出代码出了什么问题。

我的同事建议在不同的隔离环境中尝试相同的模型，因此我使用Keras库重写了代码。

现在可以正常工作了。：/

我们仍然不知道上面的代码到底出了什么问题-我没有做任何更改。我什至使用相同的代码进行权重传递和变量初始化。

如果有人遇到类似问题，我建议在不同的环境中尝试相同的模型。

或者如果有人知道上面的代码出了什么问题，请分享！

张量流模型不更新权重

2 个答案: