Question

目前，我正在Tf-Slim库中使用预训练的VGG模型。我的动机是为这个netowrk生成给定图像的对抗性示例。任务摘要是：

x= tf.placeholder(shape=(None, 32, 32,3), dtype=tf.float32)
for i in range(2):
    logits= vgg.vgg_16(x, is_training=False, spatial_squeeze=False, fc_conv_padding='SAME')
    x =  x + learning_rate*cal_gradient_of_logits_wrt_x(logits)

然而，一旦我们进入第二次迭代并开始运行logits = vgg.vgg16（....），我们会收到以下错误：

Variable vgg_16/conv1/conv1_1/weights already exists, disallowed. Did you mean to set reuse=True or reuse=tf.AUTO_REUSE in VarScope?

很明显，由于在第二次迭代中复制了图形而发生了此错误。由于tf-slim模型在范围中没有使用reuse=True，它会抛出此错误（因为在第二次迭代中我们再次要求它在图中添加已存在的vgg图层）。 / p>

有可能以某种方式避免此错误吗？应该可以为VGG模型创建一次图表，并在需要计算日志时使用它。

这应该是可能的原因是来自keras的例子。在keras中，我们可以使用

简单地定义模型

model= vgg.VGG16(*args, *kwargs)

稍后，我们可以使用

添加不同张量的计算logits

logits_1= model(x1)
logits_2= model(x2)

现在在这两种计算中，将使用相同的模型参数，即不会出现这样的错误。有没有办法通过张量流模型实现相同的功能。

Answer 1

在tfslim / models / research / slim / nets / vgg.py中：

在vgg16或vgg19定义中添加重用参数

def vgg_16(inputs,
           num_classes=1000,
           is_training=True,
           dropout_keep_prob=0.5,
           spatial_squeeze=True,
           scope='vgg_16',
           fc_conv_padding='VALID',
           global_pool=False,
           reuse=None):

... 然后设置变量作用域以在需要时重用arg_scope

with tf.variable_scope(scope, 'vgg_16', [inputs], reuse=reuse) as sc:

...

然后，当您调用函数时，将参数传递为reuse = tf.AUTO_REUSE

vgg.vgg_16(images, num_classes=dataset.num_classes,
           is_training=True, reuse=tf.AUTO_REUSE)

Answer 2

您可以使用tf.make_template（func）执行此操作。

x= tf.placeholder(shape=(None, 32, 32,3), dtype=tf.float32)

vgg_model = tf.make_template(vgg.vgg_16, is_training=False, spatial_squeeze=False, fc_conv_padding='SAME')

for i in range(2):
  logits = vgg_model(x)
  x += learning_rate*cal_gradient_of_logits_wrt_x(logits)

＆＃39;再利用＆＃39;不同图形中的单个张量流模型？

2 个答案: