Question

我的问题与此处提出的问题非常相似：https://github.com/tensorflow/hub/issues/269。但是这些问题仍然没有答案，因此我将在这里提出。重现步骤：

tensorflow 1.14.0 tensorflow-hub 0.5.0 Python 3.7.4 Windows 10

以下是示例笔记本，其中出现了问题： https://colab.research.google.com/drive/1PKUyoQRP3othu6cu7v7N7yn8K2pjkuKP

将tensor_hub Inception 3模块加载为可训练的：


    module_spec = hub.load_module_spec('https://tfhub.dev/google/imagenet/inception_v3/feature_vector/3')
    height, width = hub.get_expected_image_size(module_spec)
        with tf.Graph().as_default() as graph:
            resized_input_tensor =  tf.compat.v1.placeholder(tf.float32, [None, height, width, 3])
            module = hub.Module(module_spec, trainable=True, tags={"train"})  
            bottleneck_tensor = module(inputs=dict(images=resized_input_tensor, batch_norm_momentum=0.997),signature="image_feature_vector_with_bn_hparams")

将此时创建的所有Trainable / Model / Global变量保存到单独的“基本模型”列表中（3个列表）变量示例： base_model trainable_variables vars ：188，['module / InceptionV3 / Conv2d_1a_3x3 / weights：0'，'module / InceptionV3 / Conv2d_1a_3x3 / BatchNorm / beta：0'。 base_model model_variables vars ：188，['module / InceptionV3 / Conv2d_1a_3x3 / BatchNorm / moving_mean：0'，'module / InceptionV3 / Conv2d_1a_3x3 / BatchNorm / moving_variance：0 base_model变量vars ：0，[]＃空列表
在模型顶部添加自定义分类层：


    batch_size, previous_tensor_size = bottleneck_tensor.get_shape().as_list()
    ground_truth_input = tf.compat.v1.placeholder(tf.int64, [batch_size], name='GroundTruthInput')
    initial_value = tf.random.truncated_normal([previous_tensor_size, class_count], stddev=0.001)
    layer_weights = tf.Variable(initial_value, name='final_weights')
    layer_biases = tf.Variable(tf.zeros([class_count]), name='final_biases')
    logits = tf.matmul(hidden_layer, layer_weights) + layer_biases
    final_tensor = tf.nn.softmax(logits, name=final_tensor_name)

同样，将所有新添加的变量名放入3个新的“自定义”列表中：

自定义trainable_variables变量：2，['final_weights：0'，'final_biases：0'] 自定义model_variables变量：0，[] 自定义变量vars：0，[]
添加列车运行。由于基本模型具有批量标准化功能，因此我们必须关心更新操作。这就是为什么我使用tf.contrib.training.create_train_op：

    cross_entropy_all = tf.compat.v1.losses.sparse_softmax_cross_entropy(labels=ground_truth_input, logits=logits)
    optimizer = tf.compat.v1.train.AdamOptimizer()

    #the update ops are set to the contents of the tf.GraphKeys.UPDATE_OPS collection.
    #variables to train will default to all tf.compat.v1.trainable_variables().
    train_step = tf.contrib.training.create_train_op(cross_entropy_mean, optimizer)

现在进行常规培训：


    with tf.compat.v1.Session(graph=graph) as sess:
        # Initialize all weights: for the module to their pretrained values,
        # and for the newly added retraining layer to random initial values.
        init = tf.compat.v1.global_variables_initializer()
        sess.run(init)

        #dump the checkssum for all the variables lists collected during graph building

        for i in range(1000):
            # Get a batch of input resized images values, calculated fresh
            (train_data, train_ground_truth) = get_random_batch_data(sess, image_lists....)

            #dump the checksum for all the variables lists collected during graph building


            # Feed the input placeholder and ground truth into the graph, and run a training
            # step.
            sess.run([train_step], feed_dict = {
                resized_input_tensor: train_data,
                ground_truth_input: train_ground_truth})

            #dump now again the checksum for all the variables lists collected during graph building

因此，在每个训练步骤之后，仅针对两个变量列表（自定义可训练和全局优化器）更改校验和：


    base_model trainable_variables, 2697202.0, cf4682249fc1f48e9a346149f84e503d unchanged
    base_model model_variables,
        2936996.0, 6f995f5f0f032604a49a96ceec576cf7 unchanged
    base_model variables, 0, d41d8cd98f00b204e9800998ecf8427e unchanged
    custom trainable_variables, -0.7915199408307672, 889c333a56b9496d412eacdcbeb3bef1 **changed**
    custom model_variables, 0, d41d8cd98f00b204e9800998ecf8427e unchanged
    custom variables, 0, d41d8cd98f00b204e9800998ecf8427e unchanged
    optimizer trainable_variables, 0, d41d8cd98f00b204e9800998ecf8427e unchanged
    optimizer model_variables, 0, d41d8cd98f00b204e9800998ecf8427e unchanged
    optimizer variables,
        5580902.81437762, d2cb2d4b253a1c12452f560eea35ac42 **changed**

所以，问题是，为什么基本模型的可训练变量没有更改？它们是BatchNorm / moving_mean，BatchNorm / moving_variance，Conv2d_1a_3x3 /权重，在培训期间绝对应该对其进行更新。更重要的是，moving_variance也应该更改，因为UPDATE_OPS作为tf.contrib.training.create_train_op调用内的火车步骤的依赖项包括在内。我检查了UPDATE_OPS列表，它包含有效的值，例如：更新操作： tf.Operation'module_apply_image_feature_vector_with_bn_hparams / InceptionV3 / InceptionV3 / Conv2d_1a_3x3 / BatchNorm / AssignMovingAvg / AssignSubVariableOp'type = AssignSubVariableOp>，

Answer 1

好的，在对问题进行深入调试后，我发现问题出在以下方面：仅从全局变量列表中获取变量并使用eval（）获取其值是不够的：它将返回一些值，但它不是当前值（至少这是对于dtype = resource的导入模型的变量所发生的情况）。

要计算当前值，我们必须首先使用变量 value（）或变量 read_value（）并执行 eval（）< / strong>（用于返回的“值”张量）。

这可以解决问题。

Tensorflow Hub模块的可训练变量在训练期间不会更新

1 个答案: