Question

我正在使用model_fn来开发我的模型，

我写了model_fn并训练了50,000次迭代，现在我想在我的NotFoundError中进行一些小改动，例如添加一个新图层。

我不想从头开始训练，我想从50,000检查点恢复所有旧变量，并从这一点继续训练。当我尝试这样做时，我得到tf.estimator.Estimator

如何使用{{1}}完成此操作？

Answer 1

TL; DR 从上一个检查点加载变量的最简单方法是使用函数tf.train.init_from_checkpoint()。只需在Estimator的model_fn内调用此函数，就会覆盖相应变量的初始值设定项。

具有两个隐藏层的第一个模型

更详细地说，假设您已经在MNIST上训练了第一个带有两个隐藏层的模型，名为model_fn_1。权重保存在目录mnist_1中。

def model_fn_1(features, labels, mode):
    images = features['image']

    h1 = tf.layers.dense(images, 100, activation=tf.nn.relu, name="h1")
    h2 = tf.layers.dense(h1, 100, activation=tf.nn.relu, name="h2")

    logits = tf.layers.dense(h2, 10, name="logits")

    loss = tf.losses.sparse_softmax_cross_entropy(labels=labels, logits=logits)

    optimizer = tf.train.GradientDescentOptimizer(0.01)
    train_op = optimizer.minimize(loss, global_step=tf.train.get_global_step())

    return tf.estimator.EstimatorSpec(mode, loss=loss, train_op=train_op)

# Estimator 1: two hidden layers
estimator_1 = tf.estimator.Estimator(model_fn_1, model_dir='mnist_1')

estimator_1.train(input_fn=train_input_fn, steps=1000)

具有三个隐藏层的第二个模型

现在我们要训练一个有三个隐藏层的新模型model_fn_2。我们要加载前两个隐藏图层h1和h2的权重。我们使用tf.train.init_from_checkpoint()来执行此操作：

def model_fn_2(features, labels, mode, params):
    images = features['image']

    h1 = tf.layers.dense(images, 100, activation=tf.nn.relu, name="h1")
    h2 = tf.layers.dense(h1, 100, activation=tf.nn.relu, name="h2")
    h3 = tf.layers.dense(h2, 100, activation=tf.nn.relu, name="h3")

    assignment_map = {
        'h1/': 'h1/',
        'h2/': 'h2/'
    }
    tf.train.init_from_checkpoint('mnist_1', assignment_map)

    logits = tf.layers.dense(h3, 10, name="logits")

    loss = tf.losses.sparse_softmax_cross_entropy(labels=labels, logits=logits)

    optimizer = tf.train.GradientDescentOptimizer(0.01)
    train_op = optimizer.minimize(loss, global_step=tf.train.get_global_step())

    return tf.estimator.EstimatorSpec(mode, loss=loss, train_op=train_op)

# Estimator 2: three hidden layers
estimator_2 = tf.estimator.Estimator(model_fn_2, model_dir='mnist_2')

estimator_2.train(input_fn=train_input_fn, steps=1000)

assignment_map会将检查点范围h1/中的每个变量加载到新范围h1/，并与h2/相同。不要忘记最后的/让TensorFlow知道它是一个可变范围。

我找不到使用预先制作的估算工具来完成这项工作的方法，因为您无法更改model_fn。

TensorFlow自定义估算器 - 在model_fn中进行小的更改后恢复模型

1 个答案:

具有两个隐藏层的第一个模型

具有三个隐藏层的第二个模型