我正在尝试使用Tensorflow从GAN保存生成器模型。我使用的模型具有多个批处理规范层。保存权重时,只有运行全局变量初始值设定项,我才能成功还原它们,因为所有变量都已还原,所以我不必这样做。如果在还原之前运行了全局变量初始值设定项,则对加载的权重进行推断并为batch norm参数设置is_training = False时,该模型的性能将非常差。但是,如果is_training = True,则模型将按预期执行。这种行为应该完全相反。
为节省重量,我这样做:
t_vars = tf.trainable_variables()
g_vars = [var for var in t_vars if 'g_' in var.name]
g_saver = tf.train.Saver(g_vars)
... train model ...
g_saver.save(sess, "weights/generator/gen.ckpt")
恢复权重时,我使用相同的模型定义并执行以下操作:
t_vars = tf.trainable_variables()
g_vars = [var for var in t_vars if 'g_' in var.name]
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
g_saver = tf.train.Saver(g_vars)
g_saver.restore(sess, "./weights/generator/gen.ckpt")
您是否需要执行特殊的程序来考虑批次标准重量?我是否缺少一些变量集合?
编辑:
我使用以下方法定义批处理规范层:
conv1_norm = tf.contrib.layers.batch_norm(conv1, is_training=training
我发现将variables_collections = [“ g_batch_norm_non_trainable”]添加到batch_norm函数中,然后这样做
g_vars = list(set([var for var in t_vars if 'g_' in var.name] + tf.get_collection("g_batch_norm_non_trainable")))
有效,但是对于应该是一条简单的减肥指令来说,这似乎很复杂。
答案 0 :(得分:0)
当您使用tf.contrib.layers.batch_norm 和默认参数定义批处理规范化时,将创建三个变量:beta
,moving_mean
和moving_variance
。第一个是唯一可训练的变量,另外两个则包含在tf.GraphKeys.GLOBAL_VARIABLES
集合中。
这就是为什么在下一行使用可训练变量定义的g_vars
不在列表中同时包含moving_mean
和moving_variance
的原因:
g_vars = [var for var in t_vars if 'g_' in var.name]
由于似乎您只想保存生成器变量,所以我建议使用变量作用域来定义生成器网络。
随机张量上采样并使用批量归一化的示例:
import tensorflow as tf
import numpy as np
input_layer = tf.placeholder(tf.float32, (2, 7, 7, 64)) # (batch, height, width, in_channels)
with tf.variable_scope('generator', reuse=tf.AUTO_REUSE):
# define your generator network here ...
t_conv_layer = tf.layers.conv2d_transpose(input_layer,
filters=32, kernel_size=[3, 3], strides=(2, 2), padding='SAME', name='t_conv_layer')
batch_norm = tf.contrib.layers.batch_norm(t_conv_layer, is_training=True, scope='my_batch_norm')
print(batch_norm) # Tensor("generator/my_batch_norm/FusedBatchNorm:0", shape=(2, 14, 14, 32), dtype=float32)
您可以通过打印来检查tf.trainable_variables()
和tf.global_variables()
的变量列表。
由于可训练变量如here所述在全局变量列表中,因此我们可以将g_vars
定义为:
g_vars = tf.get_collection(tf.GraphKeys.GLOBAL_VARIABLES, scope='generator')
如果我们检查此列表,我们将拥有所需的批处理规范的所有变量:
for var in g_vars:
print("variable_name: {:45}, nb_parameters: {}".format(var.name, np.prod(var.get_shape().as_list())))
产生输出:
variable_name: generator/t_conv_layer/kernel:0 , nb_parameters: 18432
variable_name: generator/t_conv_layer/bias:0 , nb_parameters: 32
variable_name: generator/my_batch_norm/beta:0 , nb_parameters: 32
variable_name: generator/my_batch_norm/moving_mean:0 , nb_parameters: 32
variable_name: generator/my_batch_norm/moving_variance:0 , nb_parameters: 32