Question

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。

Answer 1

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

保存使用BatchNorm

1 个答案: