Question

我正在努力实现CNN架构（FCN-8s模型，带有预训练的VGG16模型），用于对我自己的数据进行语义分割（2类，因此，每像素二进制分类）

我打算如何解决这个问题：

使用权重加载预先训练的模型
添加/删除其他更高层以转换为FCN
冻结预训练模型的较低层（在训练阶段不更新）
在特定数据集上训练网络

假设这是正确的，我如何在tensorflow模型上冻结下层？（我正在寻找具体的实现细节）我看过TensorFlow上的Inception重新训练教程，但我还不太确定。

这是我想到的工作流程：

通过现有的预训练模型运行我的数据，并提取功能输出，无需训练它。（怎么样？）
将这些功能输出提供给包含更高层的另一个网络 - 并开始训练它。

任何建议都会有所帮助！

否则，如果我错了，我该怎么想呢？

更新：

我在下面提到了chasep255的建议，并尝试使用tf.stop_gradient以“冻结”我模型中的较低层。很明显，我的实施有问题。可能的替代方案/建议？

该模型基于FCN（用于语义分割）论文构建。我从模型体系结构中提取logits，即我的特征，我最初直接将其提供给loss函数，以使用softmax分类器将其最小化。（每像素分类）deconv_1是我的logits张量，形状[batch, h, w, num_classes] = [1, 750, 750, 2]实现：

logits = vgg_fcn.deconv_1

stopper = tf.stop_gradient(logits, 'stop_gradients')

loss = train_func.loss(stopper, labels_placeholder, 2)

with tf.name_scope('Optimizer'):
    train_op = train_func.training(loss, FLAGS.learning_rate)

    with tf.name_scope('Accuracy'):
        eval_correct = train_func.accuracy_eval(logits, labels_placeholder)
        accuracy_summary = tf.scalar_summary('Accuracy', eval_correct)

然后我按如下方式运行这些Graph操作：

_, acc, loss_value = sess.run([train_op,eval_correct, loss], feed_dict=feed_dict)

当我运行训练周期时，没有优化损失值，绝大多数是因为我引入了tf.stop_gradient Op。

有关详细信息，请参阅下面的损失函数：

def loss(logits, labels, num_classes):

    logits = tf.reshape(logits, [-1, num_classes])
    #epsilon = tf.constant(value=1e-4)
    #logits = logits + epsilon

    labels = tf.to_int64(tf.reshape(labels, [-1]))
    print ('shape of logits: %s' % str(logits.get_shape()))
    print ('shape of labels: %s' % str(labels.get_shape()))

    cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits, labels, name='Cross_Entropy')
    cross_entropy_mean = tf.reduce_mean(cross_entropy, name='xentropy_mean')
    tf.add_to_collection('losses', cross_entropy_mean)

    loss = tf.add_n(tf.get_collection('losses'), name='total_loss')
    return loss

Answer 1

您可以将预训练模型的输出传递给sess.run（pretrained_output，...）并捕获预训练模型的输出。保存输出后，您可以将其输入模型。在这种情况下，优化器将无法将渐变传播到预训练模型。

您还可以将预训练的模型正常附加到模型上，然后通过tf.stop_graidents（）传递预训练的输出，这将阻止优化器将渐变传播回预训练模型。

最后，您可以浏览预训练模型中的所有变量，并将其从可训练变量列表中删除。

Tensorflow - 转移学习实现（语义分割）

1 个答案: