Question

鉴于我在同一数据上训练了几个不同的模型，我训练过的所有神经网络都有相同的架构我想知道是否有可能恢复这些模型，平均它们的权重并使用我的权重初始化我的权重平均值。

这是图表的外观示例。基本上我需要的是我要加载的平均重量。

import tensorflow as tf
import numpy as np

#init model1 weights
weights = {
    'w1': tf.Variable(),
    'w2': tf.Variable()
}
# init model1 biases
biases = {
    'b1': tf.Variable(),
    'b2': tf.Variable()
}
#init model2 weights
weights2 = {
    'w1': tf.Variable(),
    'w2': tf.Variable()
}
# init model2 biases
biases2 = {
    'b1': tf.Variable(),
    'b2': tf.Variable(),
}

# this the average I want to create
w = {
    'w1': tf.Variable(
        tf.add(weights["w1"], weights2["w1"])/2
    ),
    'w2': tf.Variable(
        tf.add(weights["w2"], weights2["w2"])/2
    ),
    'w3': tf.Variable(
        tf.add(weights["w3"], weights2["w3"])/2
    )
}
# init biases
b = {
    'b1': tf.Variable(
        tf.add(biases["b1"], biases2["b1"])/2
    ),
    'b2': tf.Variable(
        tf.add(biases["b2"], biases2["b2"])/2
    ),
    'b3': tf.Variable(
        tf.add(biases["b3"], biases2["b3"])/2
    )
}

weights_saver = tf.train.Saver({
    'w1' : weights['w1'],
    'w2' : weights['w2'],
    'b1' : biases['b1'],
    'b2' : biases['b2']
    })
weights_saver2 = tf.train.Saver({
    'w1' : weights2['w1'],
    'w2' : weights2['w2'],
    'b1' : biases2['b1'],
    'b2' : biases2['b2']
    })

这就是我在运行tf会话时想要获得的内容。 c包含我想要用来开始训练的重量。

# Create a session for running operations in the Graph.
init_op = tf.global_variables_initializer()
init_op2 = tf.local_variables_initializer()

with tf.Session() as sess:
    coord = tf.train.Coordinator()
    # Initialize the variables (like the epoch counter).
    sess.run(init_op)
    sess.run(init_op2)
    weights_saver.restore(
        sess,
        'my_model1/model_weights.ckpt'
    )
    weights_saver2.restore(
        sess,
        'my_model2/model_weights.ckpt'
    )
    a = sess.run(weights)
    b = sess.run(weights2)
    c = sess.run(w)

Answer 1

首先，我假设模型结构完全相同（相同数量的层，相同数量的节点/层）。如果不是，那么你将遇到映射变量的问题（一个模型中会有变量而另一个模型中没有变量。

你想要做的是有3个会话。从检查站加载前2，最后一个将保持平均值。你想要这个，因为每个会话都包含变量值的一个版本。

加载模型后，使用tf.trainable_variables()获取模型中所有变量的列表。您可以将其传递给sess.run以将变量作为numpy数组。计算平均值后，使用tf.assign创建操作以更改变量。您也可以使用列表来更改初始值设定项，但这意味着传入模型（并非总是一个选项）。

大致是：

graph = tf.Graph()
session1 = tf.Session()
session2 = tf.Session()
session3 = tf.Session()

# Omitted code: Restore session1 and session2.
# Optionally initialize session3.

all_vars = tf.trainable_variables()
values1 = session1.run(all_vars)
values2 = session2.run(all_vars)

all_assign = []
for var, val1, val2 in zip(all_vars, values1, values2):
  all_assign.append(tf.assign(var, (val1 + val2)/ 2))

session3.run(all_assign)

# Do whatever you want with session 3.

Answer 2

您可以使用tf.train.list_variables和tf.train.load_checkpoint以非常通用的方式对任何检查点，任何模型实施此操作。

您会找到一个示例here。

Tensorflow - 从恢复的模型中平均模型权重

2 个答案: