时间戳

首页 > 解决方案 > Tensorflow：加载预训练的 ResNet 模型时出错

python - Tensorflow：加载预训练的 ResNet 模型时出错

问题描述

我想使用来自 Tensorflow 的预训练 ResNet 模型。我在这里下载了模型的代码( resnet_v1.py) 和检查点( resnet_v1_50.ckpt) 文件。

我已经可以ImportError: No module named 'nets'通过使用以下帖子来解决该错误：请参阅此处来自tsveti_iko的答案。

现在我收到以下错误，不知道该怎么办：

NotFoundError (see above for traceback): Restoring from checkpoint failed. 
This is most likely due to a Variable name or other graph key that is missing from the checkpoint. 
Please ensure that you have not altered the graph expected based on the checkpoint. Original error:

    Tensor name "resnet_v1_50/block1/unit_1/bottleneck_v1/conv1/biases" 
not found in checkpoint files /home/resnet_v1_50.ckpt
         [[node save/RestoreV2 (defined at my_resnet.py:34)  = 
RestoreV2[dtypes=[DT_FLOAT, DT_FLOAT, DT_FLOAT, DT_FLOAT, DT_FLOAT, ...,
DT_FLOAT, DT_FLOAT, DT_FLOAT, DT_FLOAT, DT_FLOAT], _device="/job:localhost
/replica:0/task:0/device:CPU:0"](_arg_save/Const_0_0, save/RestoreV2
/tensor_names, save/RestoreV2/shape_and_slices)]]

这是我尝试加载模型时使用的代码：

import numpy as np
import tensorflow as tf
import resnet_v1

# Restore variables of resnet model
slim = tf.contrib.slim

# Paths
network_dir = "home/resnet_v1_50.ckpt"

# Image dimensions
in_width, in_height, in_channels = 224, 224, 3

# Placeholder
X = tf.placeholder(tf.float32, [None, in_width, in_height, in_channels])

# Define network graph
logits, activations = resnet_v1.resnet_v1_50(X, is_training=False)
prediction = tf.argmax(logits, 1)

with tf.Session() as sess:
    variables_to_restore = slim.get_variables_to_restore()
    saver = tf.train.Saver(variables_to_restore)
    saver.restore(sess, network_dir) 

    # Restore variables
    variables = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES)

    # Feed random image into resnet
    img = np.random.randn(1, in_width, in_height, in_channels)
    pred = sess.run(prediction, feed_dict={X:img})

谁能告诉我，为什么它不起作用？我如何必须更改我的代码才能使其运行？

标签： pythontensorflow

解决方案

也许你可以使用 ResNet50 tf.keras.applications？

根据错误，如果您没有以任何方式更改图表，并且这是您的整个源代码，那么调试可能真的非常非常困难。

如果您选择理智的tf.keras.applications.resnet50方式，您可以这样做：

import tensorflow

in_width, in_height, in_channels = 224, 224, 3

pretrained_resnet = tensorflow.keras.applications.ResNet50(
    weights="imagenet",
    include_top=False,
    input_shape=(in_width, in_height, in_channels),
)

# You can freeze some layers if you want, depends on your task
# Make "top" (last 3 layers below) whatever fits your task as well

model = tensorflow.keras.models.Sequential(
    [
        pretrained_resnet,
        tensorflow.keras.layers.Flatten(),
        tensorflow.keras.layers.Dense(1024, activation="relu"),
        tensorflow.keras.layers.Dense(10, activation="softmax"),
    ]
)

print(model.summary())

现在建议使用这种方法，尤其是考虑到即将推出的 Tensorflow 2.0、健全性和可读性。顺便提一句。这个模型和 Tensorflow 提供的一样，都是从 IIRC 转移过来的。

tf.keras.applications您可以在链接的文档和各种博客文章中阅读更多相关信息，例如这个或其他网络资源。

我如何在 Keras

回答评论中的问题

  • How do I pass images to the network?：model.predict(image)如果要进行预测，请使用，其中 image 是np.array. 就那么简单。

  • How do I access weights?：嗯，这个更复杂......开玩笑，每一层都有.get_weights()返回它的权重和偏差的方法，你可以用for layer in model.layers(). 您也可以一次获得所有权重model.get_weights()。

总而言之，您将在比调试此问题更短的时间内学习 Keras，并在其中比在 Tensorflow 中更有效率。他们有30 秒的指导是有原因的。

顺便提一句。Tensorflow 默认提供 Keras，因此，Tensorflow 的 Keras 风格是Tensorflow 的一部分（无论这听起来多么令人困惑）。这就是我tensorflow在示例中使用的原因。

使用 Tensorflow 的 Hub 的解决方案

似乎您可以按照此链接中的说明使用 Hub加载和微调Resnet50。

推荐阅读