python - 保存使用 BatchNorm 的 TensorFlow 模型

Question

我正在尝试使用 Tensorflow 从 GAN 中保存生成器模型。我使用的模型有几个批处理规范层。当我保存权重时，只有运行全局变量初始化程序才能成功恢复它们，我不应该这样做，因为正在恢复所有变量。如果我在恢复之前运行全局变量初始化程序，当我使用加载的权重运行推理并为批量规范参数设置 is_training=False 时，模型的性能非常差。但是，如果 is_training=True，则模型按预期执行。这种行为应该完全相反。

为了节省重量，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")

当我恢复权重时，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程序来说明批量标准权重？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，然后执行

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，但这对于应该是一个简单的减肥指令来说似乎相当复杂。

标签： pythontensorflowdeep-learning

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，会创建三个变量：beta、moving_mean和moving_variance。第一个是唯一可训练的变量，另外两个包含在tf.GraphKeys.GLOBAL_VARIABLES集合中。

这就是为什么g_vars使用以下行中的可训练变量定义并没有同时moving_mean在moving_variance列表中获得的原因：

g_vars = [var for var in t_vars if 'g_' in var.name]

由于您似乎只想保存生成器变量，因此我建议使用变量范围来定义您的生成器网络。

对随机张量进行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)

您可以检查两者的变量列表tf.trainable_variables()并tf.global_variables()打印它们。由于可训练变量在此处描述的全局变量列表中，我们可以定义g_vars为：

g_vars = tf.get_collection(tf.GraphKeys.GLOBAL_VARIABLES, scope='generator')

如果我们检查这个列表，我们将拥有我们想要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