tensorflow - 在 TF op 中评估 TF 模型会引发错误
问题描述
我正在使用 TensorFlow 2。我正在尝试优化一个函数,该函数使用经过训练的 tensorflow 模型(毒药)的损失。
@tf.function
def totalloss(x):
xt = tf.multiply(x, (1.0 - m)) + tf.multiply(m, d)
label = targetlabel*np.ones(xt.shape[0])
loss1 = poison.evaluate(xt, label, steps=1)
loss2 = tf.linalg.norm(m, 1)
return loss1 + loss2
我无法执行此功能,但是,当我评论 @tf.function 行时,该功能有效!
我需要将此函数用作张量流操作以优化“m”和“d”。
值错误:未知图表。中止。
这就是我定义模型和变量的方式:
# mask
m = tf.Variable(tf.zeros(shape=(1, 784)), name="m")
d = tf.Variable(tf.zeros(shape=(1, 784)), name="d")
# target
targetlabel = 6
poison = fcn()
poison.load_weights("MNISTP.h5")
adam = tf.keras.optimizers.Adam(lr=.002, decay=1e-6)
poison.compile(optimizer=adam, loss=tf.losses.sparse_categorical_crossentropy)
这就是我稍后调用该函数的方式:(执行此行会导致下面列出的错误。但是,如果我注释掉 @tf.function 行,则此命令有效!)
loss = totalloss(ptestdata)
这是整个回溯调用:
ValueError: in converted code:
<ipython-input-52-4841ad87022f>:5 totalloss *
loss1 = poison.evaluate(xt, label, steps=1)
/usr/local/lib/python3.6/dist-packages/tensorflow/python/keras/engine/training.py:746 evaluate
use_multiprocessing=use_multiprocessing)
/usr/local/lib/python3.6/dist-packages/tensorflow/python/keras/engine/training_arrays.py:693 evaluate
callbacks=callbacks)
/usr/local/lib/python3.6/dist-packages/tensorflow/python/keras/engine/training_arrays.py:187 model_iteration
f = _make_execution_function(model, mode)
/usr/local/lib/python3.6/dist-packages/tensorflow/python/keras/engine/training_arrays.py:555 _make_execution_function
return model._make_execution_function(mode)
/usr/local/lib/python3.6/dist-packages/tensorflow/python/keras/engine/training.py:2034 _make_execution_function
self._make_test_function()
/usr/local/lib/python3.6/dist-packages/tensorflow/python/keras/engine/training.py:2010 _make_test_function
**self._function_kwargs)
/usr/local/lib/python3.6/dist-packages/tensorflow/python/keras/backend.py:3544 function
return EagerExecutionFunction(inputs, outputs, updates=updates, name=name)
/usr/local/lib/python3.6/dist-packages/tensorflow/python/keras/backend.py:3429 __init__
raise ValueError('Unknown graph. Aborting.')
ValueError: Unknown graph. Aborting.
解决方案
装饰器的目的@tf.function
是将Python编写的Tensorflow操作转换成Tensorflow图,以达到更好的性能。当您尝试使用带有序列化图的预训练模型时,可能会出现错误。因此,装饰器无法进行图到图的转换。
我在这里报告了这个错误:https ://github.com/tensorflow/tensorflow/issues/33997
一个(临时)解决方案是你的损失函数应该分成两个小函数。装饰器只能用于不包括预训练模型的函数中。这样,您仍然可以在其他操作中获得更好的性能,但不是使用预训练模型的部分。
例如:
@tf.function
def _other_ops(x):
xt = tf.multiply(x, (1.0 - m)) + tf.multiply(m, d)
label = targetlabel * np.ones(xt.shape[0])
loss2 = tf.linalg.norm(m, 1)
return xt, label, loss2
def total_loss(x):
xt, label, loss2 = _other_ops(x)
loss1 = poison.evaluate(xt, label, steps=1)
return loss1 + loss2
更新:
根据上述 TF 问题链接中的讨论,一个优雅的解决方案是手动将输入通过模型的每一层。您可以通过调用获取模型中的层列表your_model.layers
在您的情况下,您可能会根据最后一层中的标签对输出的预测来计算损失。因此,我认为您应该跳过最后一层并计算循环外的损失:
@tf.function
def totalloss(x):
xt = tf.multiply(x, (1.0 - m)) + tf.multiply(m, d)
label = targetlabel*np.ones(xt.shape[0])
feat = xt
# Skip the last layer which calculates loss1
for i in range(len(poison.layers) - 1):
layer = poison.layers[i]
feat = layer(feat)
# Now, calculate loss by yourself
loss1 = tf.keras.losses.sparse_categorical_crossentropy(feat, label)
loss2 = tf.linalg.norm(m, 1)
return loss1 + loss2
TF 工程师对此问题的解释方式是,模型可能包含高级处理,这确实由@tf.function
. @tf.function
因此,不建议将模型放在用修饰的函数中。因此,我们需要将模型分解成更小的部分来绕过它。
推荐阅读
- javascript - 从 Javascript 调用 Grafana Angular TimePickerCtrl 函数
- python-3.x - 将 lda2vec 库与其他类型的词向量一起使用
- python - Python 3.6 - “NoneType”测试失败
- php - Visual Studio 代码中的 PHPCS 设置
- java - 在 Eclipse 工作区中触发保存操作时执行自定义插件操作
- django - 带有 GenericViewSet 的 Django rest-framework:根据来自 url 的查询参数过滤结果
- android - 打开警报对话框活动而不打开父活动
- php - php中按键值排序的数组
- c# - 防止 MailItem.Reply 在 Outlook 2016 中打开检查器窗口
- android - 显示高度为“matchparent”的图像并保持纵横比