Question

尝试开发一些transfert学习算法，我使用一些训练有素的神经网络并添加图层。我正在使用Tensorflow和python。

在Tensorflow中使用现有图表似乎很常见：您导入图形，例如使用metaGraphs，然后通过添加节点设置新的高图层。例如，我找到了此代码here：

vgg_saver = tf.train.import_meta_graph(dir + '/vgg/results/vgg-16.meta')
# Access the graph
vgg_graph = tf.get_default_graph()

# Retrieve VGG inputs
self.x_plh = vgg_graph.get_tensor_by_name('input:0')

# Choose some node
output_conv =vgg_graph.get_tensor_by_name('conv1_2:0')

# Build further operations
output_conv_shape = output_conv.get_shape().as_list()
W1 = tf.get_variable('W1', shape=[1, 1, output_conv_shape[3], 32],initializer=tf.random_normal_initializer(stddev=1e-1))
b1 = tf.get_variable('b1', shape=[32], initializer=tf.constant_initializer(0.1))
z1 = tf.nn.conv2d(output_conv, W1, strides=[1, 1, 1, 1], padding='SAME') + b1
a = tf.nn.relu(z1)

然后在训练中，您将使用您的图层以及下面的所有图层。您还可以冻结某些图层，在会话期间导入训练过的变量等。

但是，在我的方法中，我需要在输入和第一层之间添加新的低层，并使用我的图层加上上面的图层。因此，我无法在图表的底部添加节点：我需要在输入后立即插入节点。

到目前为止，我发现使用张量流没有方便的方法。你知道吗？或者这是不可能的？

提前致谢。

Answer 1

您无法在图表的现有图层之间插入图层，但您可以在此过程中导入带有重新布线的图表。正如Pietro Tortella指出的那样，Tensorflow: How to replace a node in a calculation graph?中的方法应该有效。这是一个例子：

import tensorflow as tf

with tf.Graph().as_default() as g1:
    input1 = tf.placeholder(dtype=tf.float32, name="input_1")
    l1 = tf.multiply(input1, tf.constant(2.0), name="mult_1")
    l2 = tf.multiply(l1, tf.constant(3.0), name="mult_2")

g1_def = g1.as_graph_def()

with tf.Graph().as_default() as new_g:
    new_input = tf.placeholder(dtype=tf.float32, name="new_input")
    op_to_insert = tf.add(new_input, tf.constant(4.0), name="inserted_op")
    mult_2, = tf.import_graph_def(g1_def, input_map={"input_1": op_to_insert},
                                  return_elements=["mult_2"])

原始图表看起来像this，导入的图表看起来像this。

如果您想使用tf.train.import_meta_graph，您仍然可以传入

input_map={"input_1": op_to_insert}

kwarg。它将传递给import_graph_def。

在Tensorflow模型中添加低层

1 个答案: